CHƯƠNG 2 TỔNG QUAN
2.6. Các nghiên cứu liên quan đã công bố
Các đề tài nghiên cứu về mức TTNL của tòa nhà, phân tích tính hiệu quả của các giải pháp TKNL ngày càng được quan tâm và đầu tư trong lĩnh vực xây dựng tại Việt Nam.
Các nghiên cứu trước đây đã xác định được các nhóm yếu tố chính ảnh hướng đến mức TTNL của tịa nhà, cụ thể như: điều kiện khí hậu, đặc trưng thiết kế liên quan đến tòa nhà, đặc trưng liên quan đến hành vi của người cư ngụ và hệ thống dịch vụ của tòa nhà. Một số khác tập trung nghiên cứu và đề xuất các giải pháp nâng cao hiệu suất sử dụng năng lượng cho tịa nhà, điển hình như: tối ưu thiết kế lớp vỏ tòa nhà, TKNL cho hệ thống chiếu sáng, tối ưu hệ thống ĐHKK, sử dụng nguồn năng lượng tái tạo cung cấp cho cơng trình.
De Silva và Sandanayake đã xem xét lại các yếu tố ảnh hưởng đến TTNL của tịa nhà, xác định các nhóm nhân tố như: điều kiện khí hậu, đặc trưng thiết kế tòa nhà, hành vi của người cư ngụ, hệ thống kỹ thuật của tòa nhà và nhóm nhân tố pháp lý, kinh tế xã hội [18].
Shuo Chen, Guomin Zhang và các cộng sự đã xác định được ba nhóm nhân tố chính, ảnh hưởng đến hiệu suất sử dụng năng lượng cho tòa nhà bằng cách đánh giá các nghiên cứu liên quan đã cơng bố trước đó, bao gồm đặc trưng của tịa nhà, hệ thống dịch vụ của tòa nhà và các điều kiện của thời tiết. Nghiên cứu cũng đề xuất các giải pháp thiết kế TKNL và đưa ra các kết luận chính từ các nghiên cứu trước [19].
Hebah Moanis Hatem và các cộng sự đã phân tích tác động của hình dáng tịa nhà đối với mức TTNL của tịa nhà văn phịng trong điều kiện khí hậu nóng.
16
Xây dựng mơ hình mơ phỏng để tối ưu hóa sự tương thích của thiết kế và HQNL. Các kết quả cho thấy hướng của tịa nhà có vai trị đáng kể trong việc cải thiện HQNL thông qua lớp vỏ cơng trình, tiếp sau đó là kích thước tơn và các thiết bị che nắng. Ngoài ra, kết quả cho thấy rằng việc tối ưu hóa các phương án thiết kế có thể đóng một vai trị quan trọng trong việc cải thiện hiệu suất năng lượng [20].
Izael Da Silva và Edward Baleke Ssekulima đã sử dụng phần mềm ECOTECT để phân tích ảnh hưởng của việc thiết kế lớp vỏ đến việc TTNL của các tịa nhà tại Đơng Phi. Các kết quả nghiên cứu cho thấy, mức TTNL tổng thể của các tịa nhà có thể giảm khoảng 40% thơng qua việc thiết kế các lớp vỏ bọc phù hợp với vi khí hậu của địa điểm cụ thể, lựa chọn vật liệu xây dựng phù hợp, sử dụng tối ưu ánh sáng ban ngày, sử dụng nước một cách hợp lý. Nghiên cứu cũng chỉ ra rằng việc tích hợp hệ thống quản lý tòa nhà sẽ làm giảm đáng kể việc sử dụng tài nguyên trong tòa nhà [21].
Nghiên cứu của Đỗ Trung Hậu đã chỉ ra được 35 nhân tố ảnh hưởng đến mức TTNL điện trong căn hộ, trong đó những nhân tố có mức độ ảnh hưởng lớn đến TTNL trong căn hộ là BXMT, nhiệt độ khơng khí, hướng cửa sổ căn hộ, số lượng cửa sổ, loại cửa kính… Tác giả cũng đưa ra một mơ hình thuật tốn để dự báo mức tiêu thụ điện năng trong căn hộ chung cư [22].
Về đề tài dự đốn mức TTNL, có ba phương pháp phổ biến được sử dụng, cụ thể là: mơ hình vật lý, mơ hình thống kê và mơ hình kết hợp.
Mơ hình vật lý sử dụng các phần mềm chun dụng để mơ phỏng mức TTNL bằng cách tính tốn dựa trên các khai báo đặc trưng thiết kế của tịa nhà, ví dụ như địa điểm xây dựng, điều kiện khí hậu, vật liệu sử dụng, hình khối kiến trúc, nhu cầu làm mát…Mơ hình vật lý thường cho một kết quả dự đốn tương đối chính xác và hiệu quả, tuy nhiên cách làm này địi hỏi chun mơn cao và tốn nhiều thời gian tính tốn [23].
Mơ hình thống kê sử dụng các kỹ thuật Machine learning để dự đoán mức TTNL cho các tòa nhà như ANN, RF, SVR... [24]. Nhược điểm của phương pháp
17
này là cần một bộ dữ liệu đầu vào đáng tin cậy và chính thống, nó cũng cần phải được học tập và huấn luyện bằng một bộ dữ liệu của một tịa nhà có các đặc điểm tương tự trước khi phát triển mơ hình [19].
Mơ hình kết hợp sử dụng cả hai phương pháp nêu trên, kỹ thuật này khắc phục hạn chế của mơ hình vật lý khi u cầu thơng số thiết kế chi tiết của tịa nhà, cũng như nhược điểm của mơ hình thống kê là cần bộ dữ liệu lịch sử của tòa nhà để huấn luyện mơ hình Machine learning [19].
Kwok Wai Mui và các cộng sự đã đề xuất phương pháp mô phỏng năng lượng tòa nhà, bằng cách kết hợp cơng cụ mơ phỏng EnergyPlus và mơ hình mạng nơ-ron nhân tạo (ANN) để đự đoán mức tiêu thụ điện năng làm mát cho các tòa chung cư ở Hồng Kơng. Nghiên cứu đề xuất dự đốn nhu cầu năng lượng cho làm mát dài hạn (tiêu thụ điện cho làm mát hàng năm) dựa trên mô phỏng ngắn hạn (hàng giờ) [23].
Yang Liu và các cộng sự cũng đã kết hợp một mơ hình vật lý để mơ phỏng năng lượng tiêu thụ bằng phần mềm DesignBuilder, trên tập dữ liệu thu được, sử dụng mơ hình RF được đào tạo để dự đốn mức TTNL cho một ngơi trường ở Trung Quốc. Nghiên cứu cũng thực hiện so sánh kết quả dự đốn của mơ hình RF và các thuật tốn trí tuệ nhân tạo khác như mạng nơ-ron nhân tạo (ANN) và máy vectơ hỗ trợ (SVM), các phát hiện chỉ ra rằng mơ hình RF thể hiện chính xác hơn trong việc dự đoán mức TTNL [25].
Nghiên cứu của Ngô Ngọc Tri và các cộng sự đã đề xuất mơ hình dự đốn mức tiêu thụ năng lượng trong các tòa nhà dân dụng bằng mạng nơ-ron nhân tạo (AANNs). Tập dữ liệu mức tiêu thụ năng lượng hàng giờ được sử dụng để đánh giá mơ hình, kết quả cho thấy mơ hình AANNs đã đạt được độ chính xác tốt, cải thiện đáng kể so với hồi quy vector hỗ trợ SVR và mơ hình ANN. Nghiên cứu đã chỉ ra mơ hình AANNs là mơ hình dự báo hiệu quả nhất trong số các mơ hình được khảo sát trong việc dự đốn mức tiêu thụ năng lượng, cung cấp cho các nhà quản lý tịa nhà một cơng cụ hữu ích để nâng cao hiệu quả sử dụng năng lượng trong các tòa nhà [26].
18
Một nghiên cứu khác của nhóm tác giả Ngơ Ngọc Tri cũng đề xuất mơ hình học máy kết hợp để dự đoán dữ liệu sử dụng điện trong các tòa nhà. Mơ hình SAMFOR kết hợp hồi quy vector hỗ trợ (SVR) và thuật tốn đom đóm (FA) với mơ hình đường trung bình động thích hợp tự động hồi quy theo mùa (SARIMA). Kết quả mơ hình dự đốn có độ chính xác cao, cung cấp cho các đơn vị quản lý tịa nhà một cơng cụ hữu ích để lựa chọn các giải pháp tiết kiệm năng lượng [27].
Tổng hợp các kết quả trên, tác giả lựa chọn sử dụng mơ hình RF cho nghiên cứu này để dự đoán mức TTNL điện cho nhu cầu làm mát trong tòa nhà văn phòng.
19