Τεχνικές Ομαδοποίησης με Χρήση Μηχανικής Μάθησης: Εφαρμογή σε Δεδομένα Έργων Ανακαίνισης Κτιρίων

Abstract

Οι εκπομπές ρύπων από τα κτίρια αποτελούν σημαντική πηγή περιβαλλοντικής ρύπανσης, συμβάλλοντας στην κλιματική αλλαγή και την υποβάθμιση της ποιότητας του αέρα. Τα κτίρια καταναλώνουν μεγάλες ποσότητες ενέργειας για θέρμανση, ψύξη και φωτισμό, με αποτέλεσμα την εκπομπή διοξειδίου του άνθρακα και άλλων αερίων του θερμοκηπίου. Οι ανακαινίσεις των κτιρίων παίζουν κρίσιμο ρόλο στη μείωση αυτών των εκπομπών, καθώς μπορούν να βελτιώσουν την ενεργειακή απόδοση. Στόχος της παρούσας διπλωματικής εργασίας είναι η εφαρμογή μοντέλων τεχνητής νοημοσύνης και μηχανικής μάθησης για την υποστήριξη της λήψης αποφάσεων σχετικά με τις καλύτερες επιλογές ανακαίνισης κτιρίων. Συγκεκριμένα, υλοποιούνται αλγόριθμοι που ομαδοποιούν δεδομένα κτιρίων στα οποία έχουν γίνει ανακαινίσεις. Αυτή η ομαδοποίηση επιτρέπει στους υπεύθυνους αποφάσεων να συγκρίνουν το κτίριό τους με παρόμοια κτίρια και να επιλέξουν τις βέλτιστες στρατηγικές μείωσης του περιβαλλοντικού τους αποτυπώματος. Χρησιμοποιούνται δεδομένα από κτίρια στη Λετονία πριν και μετά τις ενεργειακές ανακαινίσεις, τα οποία εισάγονται σε τέσσερα διαφορετικά μοντέλα. Οι αλγόριθμοι μηχανικής μάθησης που συγκρίνονται είναι οι K-Means, DBSCAN, HDBSAN και Agglοmerative Clustering. Τα εξαγόμενα συμπεράσματα βοηθούν στην αναγνώριση των διαφόρων προκλήσεων που έχει η ομαδοποίηση ενός συνόλου δεδομένων από ανακαινίσεις κτιρίων αλλά και στον εντοπισμό διάφορων σημαντικών χαρακτηριστικών με βάση τα οποία έγινε η κατηγοριοποίηση. Τα εν λόγω αποτελέσματα και συμπεράσματα έχουν ως σκοπό να ενισχύσουν σημαντικά την διαδικασία ανακαινίσεων των κτιρίων και τη μείωση εκπομπών ρύπων από αυτά.