Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19306
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΡεμπή, Παναγιώτα-
dc.date.accessioned2024-10-16T14:16:56Z-
dc.date.available2024-10-16T14:16:56Z-
dc.date.issued2024-10-15-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19306-
dc.description.abstractΜε την αυξανόμενη ενεργειακή ζήτηση και τις επιπτώσεις της κλιματικής αλλαγής να εντείνονται διαρκώς, η ανάγκη εξοικονόμησης ενέργειας βρίσκεται στο επίκεντρο των προκλήσεων που αντιμετωπίζει η σύγχρονη κοινωνία. Ο κτηριακός τομέας, ιδίως τα κτήρια κατοικιών, ευθύνεται για σημαντικό ποσοστό της ενεργειακής κατανάλωσης, καθιστώντας την ενεργειακή αποδοτικότητα έναν από τους πρωταρχικούς στόχους των διεθνών στρατηγικών. Συνεπώς η ενεργειακή αναβάθμιση κτηρίων αποτελεί σημαντικό βήμα προς την επίτευξη ενός πιο βιώσιμου μέλλοντος με πολλαπλά οφέλη. Στο πλαίσιο αυτό, η παρούσα διπλωματική εργασία εστιάζει στην βελτίωση της ενεργειακής απόδοσης κτηρίων κατοικίας και συγκεκριμένα στην πρόβλεψη των απαιτούμενων μέτρων ενεργειακής αναβάθμισης. Ανταπτύσσεται μοντέλο μηχανικής μάθησης, στο οποίο ο/η χρήστης/ρια εισάγει ορισμένα γνωστά σε εκείνον/η χαρακτηριστικά του σπιτιού του και λαμβάνει τις κατάλληλες επιλογές ανακαίνισης προκειμένου να επιτύχει υψηλότερη ενεργειακή κλάση. Η ενδελεχής ανάλυση του αρχικού συνόλου δεδομένων με προέλευση την Λετονία αναδεικνύει την ύπαρξη ανισορροπίας μεταξύ των κλάσεων, στο πλαίσιο αντιμετώπισης της οποίας υιοθετούνται τεχνικές παραγωγής συνθετικών δεδομένων. Επιπλέον, η ενσωμάτωση της επεξηγήσιμης τεχνητής νοημοσύνης ενισχύει την διαφάνεια και την αξιοπιστία του μοντέλου, ενώ παράλληλα συμβάλλει στην πληρέστερη κατανόηση της επίδρασης των χαρακτηριστικών στην ενεργειακή απόδοση. Με σκοπό τη γενίκευση της εφαρμογής, η μελέτη επεκτείνεται σε επιπρόσθετα πραγματικά δεδομένα προερχόμενα από διαφορετικές χώρες με την εφαρμογή στρατηγικών διαρκούς μάθησης. Έτσι, το μοντέλο μπορεί να εκπαιδεύεται διαδοχικά σε διαφορετικά σύνολα δεδομένων, ενισχύοντας την απόκτηση γνώσης από νέα δείγματα και διατηρώντας συγχρόνως την ήδη υπάρχουσα. Προάγεται, λοιπόν, η δημιουργία ενός γενικευμένου μοντέλου με δυνατότητες προσαρμογής ανεξαρτήτως της γεωγραφικής περιοχής και των ιδιαίτερων χαρακτηριστικών των κτηρίων. Καταληκτικά, τα αποτελέσματα υπογραμμίζουν την ανάγκη για επαρκή και ποιοτικά δεδομένα. Η προτεινόμενη μελέτη μπορεί να συνεισφέρει στην επίτευξη των περιβαλλοντικών και οικονομικών στόχων, διευκολύνοντας τους ενδιαφερόμενους να λάβουν τεκμηριωμένες αποφάσεις ενεργειακής αναβάθμισης.en_US
dc.languageelen_US
dc.subjectΕνεργειακή απόδοσηen_US
dc.subjectΕνεργειακή αναβάθμιση κτηρίωνen_US
dc.subjectΕπεξηγήσιμη τεχνητή νοημοσύνηen_US
dc.subjectΜηχανική μάθησηen_US
dc.subjectΒαθιά μάθησηen_US
dc.subjectΠαραγωγή δεδομένωνen_US
dc.subjectΔιαρκής μάθησηen_US
dc.subjectΔιερευνητική ανάλυση δεδομένωνen_US
dc.titleΒελτίωση της ενεργειακής απόδοσης κτηρίων με χρήση τεχνικών διαρκούς μάθησης και επεξηγήσιμης τεχνητής νοημοσύνηςen_US
dc.description.pages102en_US
dc.contributor.supervisorΑσκούνης Δημήτριοςen_US
dc.departmentΤομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεωνen_US
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Panagiota_Rempi_Thesis.pdf6.2 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.