CC BY
73кондиционирование воздуха, теплоснабжение и строительная теплофизика. - 2001. - №3. - С. 6-9. - URL: https://www.abok. ru/for_spec/articles.php?nid=125 (дата обращения: 18.04.2020).
2. Чебан А.Н. Система интеллектуального управления освещения в учебных зданиях / А.Н. Чебан. - Текст: электронный // Architecture and Modern Information Technologies. - 2019. -2(47). - С. 281-292. - URL: https://marhi.ru/AMIT/2019/4kvart19/ PDF/18_cheban.pdf (дата обращения: 18.04.2020).
3. Чебан А.Н. Системы интеллектуального управления зданиями православных храмов / А.Н. Чебан. - Текст: электронный // Наука, образование и экспериментальное проектирование: Тезисы
докладов международной научно-практической конференции профессорско-преподавательского состава, молодых ученых и студентов, 6-10 апреля 2020 г., Московский архитектурный институт. В 2 томах. Том 2. - Москва: МАРХИ, 2020. - С. 534-535.
4. Чебан А.Н. Здания высоких технологий / А.Н. Чебан. - Текст: электронный // Наука, образование и экспериментальное проектирование: Тезисы докладов международной научно-практической конференции профессорско-преподавательского состава, молодых ученых и студентов, 6-10 апреля 2020 г., Московский архитектурный институт. В 2 томах. Том 2. -Москва: МАРХИ, 2020. - С. 260-261.
М.М. Бродач, Н.В. Шилкин DOI: 10.24411/9999-034A-2020-10125
M.M. Brodach, N.V. Shilkin
Оптимальное управление системой отопления с использованием самообучения на основе нейросетей
Optimal control of the heating system using self-learning based on artificial neural networks
Ключевые слова: отопление, управление, автоматизация, самообучение, искусственная нейронная сеть. Keywords: heating, control, automation, self-learning, artificial neural network.
Аннотация: Современные системы управления основываются на применении умных технологий и искусственного интеллекта. Одна из таких технологий - искусственные нейронные сети. Применение искусственных нейронных сетей для управления системой отопления позволяет оптимизировать теплопотребление зданий за счет использования алгоритмов самообучения.
Abstract: Modern control systems are based on the smart technologies and artificial intelligence. Artificial neural networks are an example of smart technology. The use of artificial neural networks to control the heating system allows optimizing the heat consumption of buildings through the use of self-learning algorithms.
Для многих зданий общественного назначения, в том числе и для зданий образовательных учреждений, характерен режим периодического пребывания людей: в определенные периоды (в ночное время, в выходные и праздничные дни) здание не используется. В этом случае появляется возможность снижения потребления энергоресурсов за счет временного понижения температуры помещений ниже нормируемого значения - перевод их в так называемый дежурный режим. Перед использованием помещений температура в нем за счет работы системы отопления доводится до комфортных показателей (так называемый натоп помещения). Задача минимизации расхода энергии, затрачиваемой на натоп помещения, была решена Ю.А Табунщиковым и М.М. Бродач [4, 3].
Другой особенностью режима работы многих современных зданий общественного назначения является переменный характер внутренних теплопоступлений. Например, в зданиях образовательных учреждений имеет место неравномерная загрузка учебных аудиторий вследствие особенностей организации учебного процесса (расписания занятий, состава учебных групп и т.д.). Из-за разной заполненности учебных аудиторий появляются возможности к оптимизации энергопотребления за счет регулирования вентиляции «по потребности», например по концентрации углерода диоксида (углекислого газа) С02, или по влажности. Уменьшение вентиляционного воздухообмена в таком случае не приведет к ухудшению
качества микроклимата, но обеспечит снижение энергопотребления из-за сокращения расхода воздуха и, соответственно, затрат энергии на воздухоподготовку. Но одновременно снижение внутренних тепловыделений от людей при сокращении их количества потребует соответствующего увеличения отпуска тепловой энергии системой отопления, что повышает требования к качеству регулирования отопления.
Еще одной важной архитектурной особенностью современных общественных зданий очень часто является большая площадь остекления. В зданиях образовательных учреждений большая площадь остекления возникает из-за требований высокого уровня естественного освещения. Но большая площадь остекления в солнечные дни приводит к большим значениям наружных теплопоступлений с солнечной радиацией, что вызывает значительную нагрузку на систему кондиционирования воздуха.
Таким образом, оптимальный учет в тепловом балансе современного общественного здания внутренних и внешний теплопоступлений переменного характера позволяет оптимизировать нагрузку на систему кли-матизации, что дает возможности для снижения потребления энергоресурсов без какого-либо ухудшения, а, наоборот, с повышением качества микроклимата внутренних помещений.
Реализация указанных возможностей в полном объеме на современном уровне развития строительной инду-
466
Практика
стрии связана с использованием умных технологий. Это технологии цифровизации, искусственного интеллекта, оптимизация на основе аналитики «больших данных» (Big Data), управления умными устройствами на основе интернета вещей (IoT, от англ. - internet of things).
Использование умных систем климатизации означает необходимость использования умного оптимального управления. Умное оптимальное управление системой климатизации - это использование такой системы управления, которая позволяет моделировать тепловой режим здания, учитывая при этом прогноз изменения наружных климатических условий и режим использования помещений здания (т.е. прогноз изменения внутренних тепловыделений). Умное оптимальное управление системой климатизации позволяет оптимальным образом использовать возможности наружного климата и внутренние тепловыделения для поддержания комфортных условий в помещении и, соответственно, минимизировать теплопотребление.
Современное здание обладает достаточно большой тепловой инерцией. Из-за теплотехнических особенностей здания возникает требование к прогнозированию изменения наружных условий, прогнозированию режима использования помещений здания, и, соответственно, характера изменения внутренних тепловыделений, то есть возникают требования к прогнозному (преди-ктивному) моделированию теплового режима зданий.
Для реализации предиктивного управления умная система управления должна заранее определять управляющее воздействие на систему отопления. Для решения этой задачи необходимо прогнозировать температуру в помещении, что, в свою очередь, потребует прогноза характеристик наружного климата (включая температуру наружного воздуха и интенсивность солнечной радиации), а также режима использования помещения, включая прогноз поведения пользователя.
Одним из путей решения этой задачи является использование самообучения на основе нейросетей - искусственных нейронных сетей (ИНС, англоязычный термин - artificial neural networks, ANN) [1, 2]. Искусственная нейронная сеть - математическая модель, построенная на принципах действия биологических нейронных сетей. Соответственно, искусственный нейрон (англ. artificial neuron) - упрощенная математическая модель функционирования биологического нейрона. На вход каждого нейрона подается некоторое множество входных сигналов, которые имеют разную значимость, при этом значимость может быть скорректирована введением коэффициентов связи между нейронами. Скорректированные сигналы суммируются и передаются в вычислитель передаточной функции - функции активации. Вычислитель передаточной функции вырабатывает тот или иной выходной сигнал в зависимости от некоторого заданного порогового значения. Выходной сигнал передается другим нейронам в качестве уже входного сигнала.
Отдельный искусственный нейрон - относительно простой элемент. Но множество нейронов могут быть объединены в очень сложные нейронные сети. Ней-
ронная сеть включает в себя входной слой нейронов, обрабатывающих входные сигналы; промежуточные скрытые слои со множеством промежуточных связей между нейронами, в которых выполняются вычислительные операции; выходной слой, вырабатывающий выходные сигналы.
В результате на простых элементах - искусственных нейронах - строятся очень сложные нейронные сети. Существует огромное разнообразие типологий построения искусственных нейросетей.
Искусственные нейронные сети не программируются, а обучаются. «Обучение» искусственной нейронной сети - это нахождение коэффициентов связей между нейронами. Эти значения весовых коэффициентов связей между нейронами составляют накопленное «знание» искусственной нейросети. Возможность обучения нейросетей - основное их преимущество перед традиционными алгоритмами, которое определяет область их применения: это распознавание образов, оптимизация, прогнозирование, управление в реальном времени.
Эти особенности позволяют нейросетевым алгоритмам демонстрировать высокую эффективность в современных системах умного оптимального управления инженерным оборудованием зданий.
Интерес к таким алгоритмам вызван необходимостью одновременного удовлетворения противоречивых требований. Необходимо получить достаточно точное решение сложной задачи предиктивного (прогнозного) математического моделирования теплового режима здания, вырабатывать управляющие сигналы в реальном времени (максимальное быстродействие), и при этом использовать достаточно скромные вычислительные ресурсы (аппаратные ограничения).
При задачах проектирования данные ограничения обычно отсутствуют: математическая модель может быть очень сложной, для ее решения могут быть задействованы значительные вычислительные мощности в течение достаточно длительного времени. Для управления в реальном времени желательно использовать относительно простой и дешевый контроллер, что и обуславливает интерес к нейросетевым алгоритмам самообучения. Помимо собственно управления алгоритмы самообучения позволяют также минимизировать затраты на ввод оборудования в эксплуатацию и его технического обслуживания: появляется возможность вместо тщательной настройки внутренних параметров контроллера задать некоторые весьма приближенные значения, которые достаточно быстро будут скорректированы в процессе работы за счет самообучения.
Технически контроллер может быть реализован, например, как устройство регулирования температуры теплоносителя в отопительном контуре. В контроллере реализуются различные модули. Модуль, описывающий тепловой режим здания, использует прогнозные значения характеристик наружного климата (температура наружного воздуха и интенсивность солнечной радиации), которые берутся из климатического модуля, занимающегося прогнозированием этих характеристик, а данные о внутренних тепловыделениях берутся из
модуля прогнозирования поведения пользователя. На основании анализа всех этих данных прогнозируется оптимальное управляющее воздействие с целью обеспечения оптимального теплового комфорта при минимизации энергопотребления.
При этом благодаря использованию искусственных нейросетей появляется возможность дальнейшей оптимизации математической модели теплового режима помещения за счет определения неизвестных или приближенно заданных параметров модели по данным, полученным в результате реального функционирования объекта - так называемая идентификация математической модели.
Оптимальное умное управление в рассматриваемом случае обеспечивает оптимизацию по двум параметрам: минимизация энергопотребления и комфорт пользователя. При этом «весовые коэффициенты» этих параметров меняются: в часы, когда помещение используется, приоритет отдается обеспечению комфорта пользователя; в дежурном режиме поддерживать комфортные условия нет необходимости и основной задачей становится минимизация теплопотребления. Здесь появляется возможность интеграции умной системы управления отоплением с системой комплексной автоматизации учебной деятельности (СКАУД) на основе концепции «интернет вещей». В этом случае умная система управления отоплением получает от СКАУД данные о расписании, занятости аудиторий, численности учебных
групп (т.е. сведения о поведении пользователей) посредством коммуникационных сетей, без какого-либо их физического сопряжения.
Рассмотренные выше положения оптимального управления системой отопления с использованием самообучения на основе нейросетей можно распространить и на здания, оборудованные системой кондиционирования воздуха.
Использование умных систем управления обеспечивает существенный вклад в энергосберегающую политику и направлено на создание безуглеродных умных городов при одновременном исключении явления «синдрома больного здания».
Список цитируемой литературы:
1. Бродач М.М. Нейросети: возможности использования алгоритмов самообучения в системах управления теплоэнергопотре-блением зданий / М.М. Бродач, Н.В. Шилкин // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. - 2019. - №4. - С. 40-44.
2. Бродач М.М. Оптимизация управления отпуском тепловой энергии с использованием искусственных нейросетей / М.М. Бродач, Н.В. Шилкин // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. - 2019. - №5. - С. 38-41.
3. Табунщиков Ю.А. Математическое моделирование и оптимизация тепловой эффективности зданий / Ю.А. Табунщиков, М.М. Бродач. - Москва: АВОК-ПРЕСС, 2002. - 194 с. - ISBN 5-94533-002-7.
4. Табунщиков Ю.А. Минимизация расхода энергии, затрачиваемой на натоп помещения. / Ю.А. Табунщиков, М.М. Бродач // Строительство и архитектура. - Новосибирск. - 1988. - № 12.
В.Е. Байер DOI: 10.24411/9999-034A-2020-10126
V.E. Bayer
О роли материала при создании элементов архитектурной композиции On the role of material in the creation of elements of architectural composition
Ключевые слова: архитектура, композиция, материал. Keywords: architecture, design, material.
Аннотация: В статье рассматривается роль материалов при создании архитектурной композиции. Abstract: Consider the role of materials in the creation of architectural design in the article.
Восприятие архитектурной композиции связано с отношением ее элементов к целому и друг другу, элементов и объема - к масштабу среды, объема и элементов здания - к человеку.
Штучные материалы (кирпич, блок из природного или искусственного камня, бревно, панель из железобетона и др.) позволяют ясно воспринимать на фасаде их формат, который становится еще одним (а бывает и единственным) участником процесса пропорционирования. Формат штучных материалов является основой, которая определяет пропорциональный строй, «ордер» здания и его масштабность. Материал в композиции - ясно видимая измерительная величина, играющая ведущую роль в формировании масштабного и пропорционального строя здания.
При создании архитектором системы пропорций (ряды Фибоначчи, вурфные пропорции, различные
прогрессии) все соотношения частей и целого кратны единому модулю. Масштабность здания также формируется на сложноподчиненной иерархии величин и членений, построенной на основе шкалы градаций, также имеющей единый модуль. Материал действует в композиции как ясно видимая измерительная величина и ассоциативно связывает все части здания с известными представлениями человека о соотношениях архитектурных элементов к его росту.
При рассмотрении пропорций в архитектуре О. Шуа-зи отмечает: «Если сравнивать части какого-нибудь египетского здания, обычно бросаются в глаза явные соотношения между их пропорциями и почти всегда для
