T. 15 S. 05 (2025): Tạp chí Vật liệu và Xây dựng
##common.pageHeaderLogo.altText##
Tạp chí Vật liệu và Xây dựng - Bộ Xây dựng

ISSN:

Website: www.jomc.vn

Dự đoán và đánh giá hiệu suất mặt dựng tích hợp quang điện bằng các mô hình trí tuệ nhân tạo

Trần Đức Học , Hoàng Hải Triều , Nguyễn Ngọc Thoan , Hồ Ngọc Khoa

Từ khóa:

BIPV
Tiết kiệm năng lượng
Dự đoán
Trí tuệ nhân tạo

Tóm tắt

Sự gia tăng tiêu thụ năng lượng toàn cầu do quá trình phát triển công nghiệp và đô thị hóa đang góp phần làm trầm trọng thêm tình trạng biến đổi khí hậu. Trong bối cảnh đó, năng lượng tái tạo, đặc biệt là năng lượng mặt trời, đóng vai trò then chốt trong việc hướng tới mục tiêu xây dựng xanh và bền vững. Nghiên cứu này đề xuất giải pháp ứng dụng các thuật toán trí tuệ nhân tạo gồm tăng cường độ dốc (GB), tăng cường độ dốc cực hạn (XGBoost), tăng cường độ dốc nhẹ (LightGBM) và tăng cường phân loại (CatBoost) để xây dựng mô hình dự đoán mức tiêu thụ năng lượng và sản lượng điện của hệ thống quang điện tích hợp trong tòa nhà (Building-Integrated Photovoltaics – BIPV) với lớp vỏ bao bằng kính. Dữ liệu đầu vào được thu thập thông qua mô phỏng trên phần mềm DesignBuilder. Kết quả cho thấy mô hình CatBoost đạt hiệu suất dự đoán cao nhất với hệ số xác định R² đạt 0,972 cho tiêu thụ năng lượng và 0,974 cho sản lượng điện. Ngoài ra, việc tích hợp BIPV vào mặt đứng có thể giúp giảm đến 34,3% mức tiêu thụ năng lượng của tòa nhà, qua đó khẳng định tiềm năng ứng dụng của BIPV trong thiết kế công trình hiệu quả năng lượng.

Điều hướng Người dùng

PDF

Cách trích dẫn

Trần Đức Học, Hoàng Hải Triều, Nguyễn Ngọc Thoan, & Hồ Ngọc Khoa. (2025). Dự đoán và đánh giá hiệu suất mặt dựng tích hợp quang điện bằng các mô hình trí tuệ nhân tạo. Tạp Chí Vật liệu Và Xây dựng - Bộ Xây dựng, 15(05), Trang 73 – Trang 80. https://doi.org/10.54772/jomc.05.2025.1143

Tài liệu tham khảo

  1. J. Davenport and N. Wayth, "Statistical review of world energy," Energy institute, 2023.
  2. H. T. Hoi, "Potential for solar energy development in Vietnam," International Journal of Environmental Science and Development, vol. 11, no. 7, pp. 358-364, 2020.
  3. M. Roginska-Niesluchowska, "Use of daylight and aesthetic image of glass facades in contemporary buildings," in IOP Conference Series: Materials Science and Engineering, 2017, vol. 245, no. 8, p. 082035: IOP Publishing.
  4. M. J. Perez, V. Fthenakis, H. C. Kim, and A. O. Pereira, "Façade–integrated photovoltaics: a life cycle and performance assessment case study," Progress in Photovoltaics: Research and Applications, vol. 20, no. 8, pp. 975-990, 2012.
  5. A. Ghazali, L. C. Haw, S. Mat, and K. Sopian, "Performance and financial evaluation of various photovoltaic vertical facades on high-rise building in Malaysia," Energy and Buildings, vol. 134, pp. 306-318, 2017.
  6. H. Gholami, H. N. Røstvik, N. M. Kumar, and S. S. Chopra, "Lifecycle cost analysis (LCCA) of tailor-made building integrated photovoltaics (BIPV) façade: Solsmaragden case study in Norway," Solar Energy, vol. 211, pp. 488-502, 2020.
  7. Q. T. Nguyen, D. L. Luong, A. D. Pham, and Q. C. Truong, "Developing an optimization model of solar cell installation on building façades in high-rise buildings–A case study in Viet Nam," GMSARN Int. J, vol. 15, no. 1, pp. 44-49, 2021.
  8. S. Attia, E. Gratia, A. De Herde, and J. L. Hensen, "Simulation-based decision support tool for early stages of zero-energy building design," Energy and buildings, vol. 49, pp. 2-15, 2012.
  9. R. Kabilan et al., "Short‐Term Power Prediction of Building Integrated Photovoltaic (BIPV) System Based on Machine Learning Algorithms," International Journal of Photoenergy, vol. 2021, no. 1, p. 5582418, 2021.
  10. S. T. Imalka, R. J. Yang, and Y. Zhao, "Machine learning driven building integrated photovoltaic (BIPV) envelope design optimization," Energy and Buildings, vol. 324, p. 114882, 2024.
  11. T. Đ. Học, "Tối ưu hóa ước tính mức tiêu thụ năng lượng trong các tòa nhà dựa trên các thuật toán trí tuệ nhân tạo," Tạp chí Khoa học Công nghệ Xây dựng (TCKHCNXD)-ĐHXDHN, vol. 14, no. 1V, pp. 35-45, 2020.
  12. L. D. Long, "An AI-driven model for predicting and optimizing energy-efficient building envelopes," Alexandria Engineering Journal, vol. 79, pp. 480-501, 2023.
  13. J. H. Friedman, "Greedy function approximation: a gradient boosting machine," Annals of statistics, pp. 1189-1232, 2001.
  14. J. H. Friedman, "Stochastic gradient boosting," Computational statistics & data analysis, vol. 38, no. 4, pp. 367-378, 2002.
  15. T. Chen and C. Guestrin, "Xgboost: A scalable tree boosting system," in Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, 2016, pp. 785-794.
  16. G. Ke et al., "Lightgbm: A highly efficient gradient boosting decision tree," Advances in neural information processing systems, vol. 30, 2017.
  17. L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, and A. Gulin, "CatBoost: unbiased boosting with categorical features," Advances in neural information processing systems, vol. 31, 2018.