Aplicación de la inteligencia artificial en el concepto de construcción ecológica para auditorías energéticas utilizando tecnología de drones en diferentes condiciones ambientales

May 18, 2023

Scientific Reports volumen 13, Número de artículo: 8200 (2023) Citar este artículo

1698 Accesos

9 Altmetric

Detalles de métricas

Las pérdidas térmicas a través de la débil envolvente del edificio son responsables de las actuales crisis energéticas mundiales. La aplicación de configuraciones de inteligencia artificial y drones en edificios ecológicos puede ayudar a proporcionar la solución sostenible que el mundo está buscando durante años. La investigación contemporánea incorpora un concepto novedoso de medir las resistencias térmicas de desgaste en la envolvente del edificio con la ayuda de un sistema de drones. El procedimiento anterior lleva a cabo un análisis de todo el edificio al considerar tres parámetros ambientales principales, como la velocidad del viento (WS), la humedad relativa (RH) y la temperatura de bulbo seco (DBT) con la ayuda del procedimiento de mapeo de calor del dron. La novedad del estudio puede interpretarse por el hecho de que investigaciones anteriores nunca habían explorado la envolvente del edificio a través de una combinación de drones y condiciones climáticas como variables en áreas de construcción de difícil acceso, proporcionando así una lectura más fácil, sin riesgos, rentable y eficiente. . La validación de la fórmula se autentica empleando software basado en inteligencia artificial que se aplica para la predicción y optimización de datos. Se establecen modelos artificiales para validar las variables de cada salida a partir del número especificado de entradas climáticas. Las condiciones óptimas de Pareto alcanzadas después del análisis son 44,90% HR, 12,61 °C DBT y 5,20 km/h WS. Las variables y la resistencia térmica se validaron con el método de la metodología de superficie de respuesta, presentando así la tasa de error más baja y el valor R2 integral, que son 0.547 y 0.97, respectivamente. De ahora en adelante, el empleo de tecnología basada en drones para estimar las discrepancias de la envolvente del edificio con la fórmula novedosa produce una evaluación consistente y efectiva para el desarrollo de edificios ecológicos, reduciendo simultáneamente el tiempo y el costo de la experimentación.

En tiempos recientes, los requerimientos de energía han aumentado considerablemente mientras que los recursos de producción de energía se han degradado significativamente. Esto ha llevado a los investigadores a encontrar métodos alternativos de conservación de energía para satisfacer las demandas potenciales futuras. En India, las pérdidas totales debidas a las variaciones de temperatura en la envolvente del edificio se calculan en alrededor del 41 % de los requisitos energéticos originales de los edificios (MOE). Los edificios actuales de todo el mundo están sujetos a grandes pérdidas de energía que pueden deberse principalmente a circunstancias inamovibles1,2. Se sabe que estos edificios tienen un rendimiento inferior en términos de eficiencia, principalmente en países subdesarrollados y en desarrollo, por lo que difieren del diseño original de los edificios ecológicos. Según un estudio reciente3, aproximadamente el 63 % de la energía que se produce procede de edificios residenciales o industriales. Una encuesta de datos más amplia en India para el año fiscal 2018-2019 estimó que la energía total producida por las empresas de servicios públicos es de aproximadamente 1372 (Tera Watt-h)4. Estos servicios públicos comprenden principalmente actividades de interior como máquinas de café, microondas, calentadores, etc.5,6. En los países en desarrollo, el gobierno ha estado tomando medidas para reducir estas pérdidas de exergía mediante la incorporación de sistemas inteligentes en los edificios7. Esta energía, si no se utiliza adecuadamente, genera pérdidas sustanciales para la economía de un país y el medio ambiente8.

La necesidad actual es encontrar formas efectivas de frenar estas pérdidas y ahorrar los recursos para un futuro fructífero. Una forma eficaz de comprobar y controlar estas pérdidas es la evaluación de las pérdidas de calor a través de la envolvente del edificio9,10. La envolvente del edificio se compone principalmente de todas las configuraciones del edificio, como paredes, techos, ventanas, tabiques y puertas. Estos artefactos son elementos principales de las pérdidas de calor en la configuración de un edificio, ya que la transfusión de energía térmica ocurre a lo largo del día, ya que las condiciones climáticas varían durante las 24 h11,12. Estas diferencias pueden pensarse como las razones principales de las pérdidas de energía, lo que en adelante reduce la eficiencia general del edificio13. En algunos estudios, estas pérdidas están directamente relacionadas con estructuras de edificios que tienen un revestimiento exterior general débil14. Estas pérdidas son una amalgama de varios accesorios de construcción que pueden tener una calidad inferior de aislamiento aplicado en el exterior de estos accesorios. Además, la estructura antigua tiende a debilitarse con el paso de los años, lo que genera pérdidas de energía sustanciales15. Además, la infiltración constante de aire exterior a través de varias grietas y aberturas también puede aumentar la demanda de energía16. Las discrepancias especificadas anteriormente se pueden resolver aplicando materiales de mejor calidad al comienzo del edificio, reparando los diseños existentes, sellando los espacios de aire y las grietas17. Estudios previos han utilizado aislamiento para reducir las pérdidas de energía de los edificios18, lo que conduce a una mejor eficiencia energética y atrapa el aire más frío en verano y el aire más cálido en invierno. Reducir simultáneamente el calor térmico y el contenido de humedad dentro de las habitaciones puede reducir los requisitos de energía19. En la literatura anterior, es necesario evaluar el circuito de transferencia de calor especificado para contemplar la carga del edificio y las pérdidas de energía dentro de la estructura del edificio20,21. A menudo, la envolvente del edificio está controlada por un único factor conocido como valor R, también estipulado como resistencia térmica22.

La literatura anterior rara vez ha explorado la combinación de monitoreo de drones bajo la influencia de condiciones climáticas variables23,24,25. La revisión sistemática de Halder y Afsari25 explora el uso de robots para la inspección y el control de edificios e infraestructuras. Alkaabi et al.26 proponen el uso de imágenes térmicas 3D capturadas por drones para monitorear el ambiente térmico de edificios y espacios peatonales para contribuir al desarrollo de ciudades sostenibles. Kopp et al.27 presentan un método para estimar la pérdida de calor por radiación de las envolventes de los edificios utilizando modelos termográficos 3D creados con pequeños sistemas aéreos no tripulados (sUAS). Oh et al.28 proponen un esquema de procesamiento de imágenes asistido por drones que utiliza la identificación de ubicación basada en marcos para la detección de grietas y pérdidas de energía en las envolventes de los edificios. Zheng et al.29 presentan un método de detección del rendimiento térmico para envolventes de edificios basado en un modelo 3D generado por imágenes térmicas de UAV.

Además, los autores no encontraron ningún artículo que valide los resultados del monitoreo de edificios a través del modelo desarrollado artificialmente. Ayuda a identificar las principales deficiencias dentro de la configuración del edificio y ayuda aún más en el desarrollo de conceptos de ahorro de energía adecuados para mejorar el rendimiento de trabajo general para cualquier configuración estructural30,31. Además, el uso de tecnología infrarroja en el sistema de drones en el pasado ha dado resultados efectivos32,33.

El estudio tiene como objetivo incorporar técnicas inteligentes para el desarrollo de una fórmula para medir con precisión la temperatura de la pared de un edificio con un dron. La investigación se centrará en identificar la precisión y confiabilidad del uso de un dron para medir la temperatura de las paredes, así como las limitaciones y desafíos asociados con este método. El estudio también puede evaluar la viabilidad del uso de drones para mediciones de temperatura a gran escala de edificios de gran altura. El alcance del estudio implicará el desarrollo de una fórmula que incorpore técnicas inteligentes para medir con precisión la temperatura de la pared, así como las posibles aplicaciones y recomendaciones para futuras investigaciones en esta área. Aunque se han dirigido varios estudios en el campo de la IA y el dominio de la construcción ecológica, todavía es raro encontrar discrepancias en la envolvente del edificio a través de drones y, según los autores, el conocimiento nunca se ha explorado hasta ahora. La novedad de la investigación existente prevalece ya que no se ha informado absolutamente ningún trabajo previo para aumentar el rendimiento del edificio y reducir el uso de energía para lograr un edificio ecológico mientras se emplean modelos de predicción (ANFIS) de la auditoría de edificios basada en drones y se consideran las fluctuaciones ambientales. La literatura anterior también ha demostrado la importancia de las técnicas de computación suave, preferiblemente el método ANN, para predecir con precisión la carga del edificio en un período de tiempo más corto con un conjunto de datos más pequeño34. Además, investigaciones anteriores también han empleado el método de metodología de superficie de respuesta (RSM), ya que es potente para producir un procedimiento de prueba experimental viable incluso para un problema en el que la generación de datos podría ser un problema, especialmente en rascacielos35.

Con respecto a la información explicada anteriormente, los investigadores han llegado a una perspectiva de derivación común como se explica a continuación:

El empleo de sistemas basados ​​en drones en la construcción para estimar el logro de la construcción ecológica al encontrar el valor R demuestra una oportunidad práctica y razonable relacionada con su operación no compleja y su causa socialmente amigable.

La investigación de la resistencia térmica para numerosos entornos ambientales mientras se interactúa con software inteligente utilizando una combinación de ANFIS y RSM juntos rara vez se ha investigado en ningún trabajo anterior.

La fórmula de Osama establecida para generar variables ambientales produce conjuntos de datos bastante adyacentes a los obtenidos al realizar pruebas en tiempo real para edificios ecológicos.

La literatura anterior (especialmente en los campos de la ingeniería térmica) ha enfatizado la importancia de unir las representaciones de pronóstico de computación suave para medir la potencia de la envolvente del edificio, presentando características de valor R precisas a través de un menor trabajo aplicado, dinero aplicado y mano de obra aplicada36,37.

Las secciones subsiguientes comprenden el procedimiento de recopilación de datos y los equipos necesarios para el proceso.

La física principal asociada con la investigación se explica mediante la interconexión de los resultados obtenidos durante la experimentación validada por el modelo desarrollado. La teoría principal de la investigación consiste en recopilar datos de la envolvente débil del edificio con la ayuda de imágenes térmicas de drones. Además, estos modelos se simulan en diferentes climas. La lectura se utiliza para desarrollar una fórmula. La validación de la fórmula se realiza mediante modelos de IA desarrollados que muestran consistencia en los resultados ya que los niveles de precisión son altos entre la lectura experimental y las lecturas del modelo desarrollado. La etapa inicial de funcionamiento de los procedimientos operativos se realiza explicando previamente las entradas, seguida de la definición de los resultados del estudio. La investigación de prueba se proporciona eligiendo restricciones ambientales que comprenden la temperatura de bulbo seco (DBT), la velocidad del viento (WS) y la humedad relativa (RH). Para el conjunto de entradas propuesto, se evaluará la resistencia térmica y la pérdida de calor para toda la envolvente del edificio. Para proporcionar los criterios anteriores, se empleó una combinación de técnicas de predicción y optimización que proporciona un análisis comparativo entre las lecturas de investigación y pronosticadas descritas en múltiples fases consecutivas: (a) Recopilación de conjuntos de datos relacionados con datos de investigación y agrupación de conjuntos de datos sobre la base de entrenamiento y hojas de prueba en un archivo de Excel separado, (b) Creación de modelos sobre la base de condiciones ambientales generación de datos hipotéticos a través de la nueva fórmula denominada Osama (c) Reconocimiento del modelo de mejor rendimiento en software de inteligencia artificial para evaluar la presentación de la estructura del edificio, (d) Examen relativo entre los efectos de la inteligencia artificial, marcos de investigación e hipotéticos para la detección de pérdida de calor más fina entre ellos y (e) En conclusión, simplificación y autenticación de los resultados con representaciones anteriores.

La investigación actual está destinada principalmente a evaluar el valor R de varios accesorios en una configuración de edificio existente a través de estimaciones experimentales y teóricas en diferentes condiciones ambientales. La configuración del equipo empleado en el estudio fue una cámara infrarroja montada en un dron y una cámara infrarroja portátil para contemplar la resistencia térmica de todas las paredes en una configuración de edificio envejecida. En este estudio, se utilizó un dron Tello integrado con una cámara Flir vue pro capaz de tomar fotografías infrarrojas rápidas en combinación con una cámara portátil de imágenes térmicas para la recopilación rápida de datos. La vista tridimensional del dron de prueba conectado con la cámara se muestra en la Fig. 1. El análisis se realizó en varios edificios en Nueva Delhi. Se utilizó un papel de aluminio que inicialmente se desmoronó y luego se aplanó y luego se pegó en la pared de prueba cuyo valor R debe examinarse. La cámara enfocó un haz de luz hacia el papel de aluminio desmenuzado que detectó la temperatura reflejada. La lámina desmenuzada se muestra en la Fig. 2.

Distintas vistas de un arreglo Drone-cámara.

Papel de aluminio desmenuzado.

La diferencia en el requisito de energía durante la auditoría puede interpretarse como que el edificio fue diseñado para el uso de energía en el diseño inicial que se ha deteriorado con los años y, por lo tanto, requiere una auditoría para identificar la ubicación exacta de las pérdidas. Si esta estructura se identifica correctamente y se vuelve a aislar, puede ahorrar miles de millones de rupias al año. La información teórica y de investigación proporcionada para desarrollar el modelo pronosticado se generó a partir del arreglo UAV-IR. Esta clasificación técnica de configuración se proporciona a continuación en la Tabla 1.

La acumulación de datos y la experimentación se logra mediante el siguiente diagrama de flujo que se muestra en la Fig. 3. En la siguiente sección, se proporcionan especificaciones de construcción para comprender el área de prueba del experimento.

Diagrama de flujo para el funcionamiento de la disposición de la cámara del dron.

Se emplea la técnica de termografía infrarroja para determinar las pérdidas de calor en la configuración del edificio en Nueva Delhi, India. Se emplea un dron Tello integrado con la cámara infrarroja Flir Vue pro para obtener información relacionada con las estructuras de los edificios. Los datos recopilados se simularon con la ayuda del software 'SmartView' y 'FLIR Reporter Pro'. La presente investigación se basó en los estándares especificados por la norma ISO 6946:200738, que también se conoce como los estándares internacionales especificados para elementos de envolvente de edificios. La norma proporciona algunos métodos y estrategias para evaluar la resistencia térmica o el valor R de todos los elementos de construcción principales. Las siguientes suposiciones para la construcción se consideraron antes de la prueba:

El edificio fue construido de acuerdo con los códigos y normas de construcción aplicables.

Los materiales de construcción y los componentes utilizados en la construcción son de calidad y durabilidad adecuadas.

El edificio no está sujeto a peligros ambientales o naturales significativos que puedan afectar su integridad estructural o seguridad.

Los ocupantes del edificio utilizan las instalaciones de acuerdo con las pautas y regulaciones apropiadas.

El método ayuda a obtener la tasa de transferencia de calor a través de los elementos de la envolvente del edificio. La razón principal de la evaluación del valor R genera información valiosa sobre la envolvente del edificio que puede requerir reparaciones mediante la aplicación de aislamientos en las ubicaciones señaladas dentro del edificio. La investigación también destaca áreas con deterioro del aislamiento, fugas de calor y pérdidas de energía asociadas. La investigación destaca aún más cómo se pueden rectificar estas pérdidas de energía con un enfoque principal en proporcionar un procedimiento rentable. Esto permite que el edificio se vuelva eficiente energéticamente y proporcione un entorno sostenible. El valor R total calculado se muestra en la Tabla 2. La siguiente sección explica el desarrollo de la nueva fórmula.

Los métodos convencionales utilizados para determinar la resistencia térmica no son del todo efectivos ya que no tienen en cuenta los cambios en los parámetros ambientales (DBT, RH y WS)26. La fórmula convencional para evaluar la resistencia térmica sin considerar la variación en las condiciones ambientales se proporciona en la ecuación. (1):

El presente estudio incorpora un dron integrado con cámara infrarroja que captura imágenes térmicas que luego deben transferirse en un software para el cálculo del valor R para edificios de gran altura teniendo en cuenta los parámetros ambientales. La razón principal de la evaluación del valor R al considerar los parámetros ambientales genera información valiosa sobre la envolvente del edificio que puede requerir reparaciones mediante la aplicación de aislamientos en las ubicaciones señaladas dentro del edificio. estudios previos han usado una fórmula similar pero sin considerar la emisividad de la pared exterior que es difícil de medir y acceder27,28. El estudio actual obtiene esta temperatura con facilidad al enfocar el láser de la cámara termográfica en papel de aluminio y cinta negra adherida en diferentes lugares del edificio. Estos valores son medidos por las variables OK1.

Osama desarrolla una fórmula novedosa para medir la resistencia térmica de cualquier pared con la ayuda de un dron teniendo en cuenta las condiciones ambientales. Además, la influencia de los parámetros ambientales de entrada se deriva interpolando la variación en las dos variables (Ok2) desarrolladas en la fórmula que anteriormente se subestimó y nunca se consideró en estudios anteriores29. Los factores ambientales como DBT, RH, WS, el coeficiente de transferencia de calor por convección (h) afectan en gran medida el proceso de detección de temperatura, lo que lleva a contemplar el valor R. Las variables Ok1 y Ok2 tienen en cuenta los efectos de la humedad relativa, la velocidad del viento y la temperatura de bulbo seco sobre la resistencia térmica. La fórmula se validó probando su precisión y capacidad predictiva con el software ANFIS mediante las herramientas estadísticas RMSE y R2. El impacto de los parámetros anteriores sobre la fórmula y las dos constantes se confirmó con una prueba estática conocida como ANOVA para determinar el nivel de significancia para cada parámetro ambiental de entrada. La fórmula proporcionada a continuación se usa para calcular el valor R para cualquier pared en cualquier condición ambiental. Esta fórmula ayudará a reducir las pérdidas de calor a través de la pared mediante la predicción de los deterioros en la envolvente del edificio, como se muestra en la ecuación. (2):

donde Rth es la resistencia térmica de la pared, Taire exterior es la temperatura interior del edificio (probablemente mantenida a 22 °C), Taire exterior es la temperatura exterior o temperatura ambiente (también conocida como DBT), Tpared exterior reflejada es la temperatura estimada con la cámara después de la reflexión del papel de aluminio, hconv es el coeficiente de transferencia de calor por convección, ε es la emisividad, σ es la constante de Stefan-Boltzmann y Ok1 y Ok2 son las variables de Osama.

Principalmente, este modelo se puede proporcionar como un modelo global y flexible aplicable a todos los entornos del mundo. Este modelo es factible ya que es rentable y eficiente en las pérdidas de energía en las envolventes de cualquier edificio y replica los valores obtenidos a través de la experimentación. Los investigadores pueden emplear el marco actual para estimar cualquier ahorro logrado que pueda usarse para construir un elemento envolvente con un valor R desconocido. La validación de la fórmula desarrollada se explica en la siguiente sección.

El modelo ANFIS se puede proporcionar empleando el marco Takagi-Sugeno y el marco Mamdani. La presente investigación ha elegido el primer método para obtener un trabajo factible ya que el número de entradas varió en diferentes niveles. Las entradas se introdujeron en el modelo y crearon el marco como se muestra en la Fig. 4. Se crearon tres modelos ya que las salidas eran la resistencia térmica y sus variables. La validez de la presente investigación se puede establecer mediante la comparación de los problemas de ingeniería anteriores que también establecieron los modelos en el marco actual con la máxima eficiencia, ya que estos problemas a menudo son bases de datos limitadas, no lineales e inciertas39,40. Las aplicaciones recientes relacionadas con resultados eficientes han allanado la popularidad de ANFIS, ya que es una herramienta principal para determinar una relación factible entre múltiples entradas para numerosas salidas. Un modelo de Sugeno consta de seis pasos principales que comienzan con el paso preliminar de las restricciones de entrada, seguidos por la capa de fuzzificación, la capa consecuente de la regla, la capa de normalización de la fuerza de la regla, la capa consecuente de la regla y, por último, la capa de inferencia de la regla. El desarrollo de un algoritmo viable facilita la teoría difusa y la creación de diferentes miembros siguiendo un conjunto de pasos como se explica entre las ecuaciones. (3)–(12). Durante la experimentación, se proporcionaron treinta y dos pruebas de prueba y se dividieron en conjuntos de datos, uno para entrenamiento (24) y otro para prueba (8). Los antecedentes completos explicados para el algoritmo de Sugeno se tabulan en la Tabla 3.

Marco del Modelo ANFIS.

Las capas anteriores se explican empíricamente aplicando fórmulas ANFIS para obtener resultados finales:

Paso 1: paso de fuzzificación

Paso 2: paso del producto:

Paso 3: Paso normalizado:

Paso 4: paso defuzzied:

Paso 5: Paso de rendimiento general:

Los enfoques ortodoxos aplicados en este tipo de problemas complejos requieren mucho tiempo y mano de obra calificada para desarrollar la viabilidad entre las variables de entrada y los resultados finales. Por el contrario, las técnicas de computación blanda son capaces de proporcionar una interrelación factible y, al mismo tiempo, generar resultados efectivos sin la obligación de ningún conjunto de datos anterior. Las aproximaciones y los cálculos generados a partir del procedimiento ANFIS también pueden ajustarse con precisión y productividad mejoradas mediante la participación del método RSM.

Con frecuencia, la funcionalidad de ANFIS comienza a deteriorarse por problemas en los que el número de entradas supera las nueve técnicas, ya que los resultados pueden quedar atrapados dentro de los óptimos locales. Además, los rendimientos contradictorios oscurecen el avance del algoritmo. Para superar esta complicación, se establece una fórmula híbrida denominada fórmula de Osama capaz de considerar todas las dificultades en el proceso de medición de las condiciones climáticas mientras se derivan complicaciones relacionadas con la construcción compuesta de manera rápida y eficaz.

Todos los datos principales aplicados y generados en los modelos ANFIS se proporcionan en la tabla. La discrepancia en el modelo desarrollado podría explicarse con herramientas estadísticas como el coeficiente de determinación (R2) y el error cuadrático medio (RMSE) proporcionados en las Ecs. (13) y (14), respectivamente.

donde \({E}_{m}=\frac{{\sum }_{i=1}^{N}\Sigma {P}_{i}}{N}\)

RMSE = Error cuadrático medio, R2 = Fracción de varianza, Pi = Valor de pronóstico obtenido del modelado, Ei = Valor experimental generado, Em = Media de los valores pronosticados generados a partir de modelos, N = Datos disponibles, i = Valor de ejecución de prueba necesario para ser calculado

Para desarrollar un conjunto de ejecución de prueba factible donde se pueden obtener relaciones de entrada y salida, empleamos la metodología de superficie de respuesta, que es capaz de interrelacionar las numerosas entradas con resultados específicos del estudio. Para este estudio, también, interrelacionamos las 32 corridas de prueba con sus respectivas ecuaciones de ajuste. Además, el modelo de relación establecido especificó los nuevos valores extremos para todas las restricciones de entrada. El modelado de drones implica múltiples conjuntos de entradas que se establecieron a partir de conjuntos de datos validados de encuestas bibliográficas anteriores que establecen la viabilidad de los datos experimentales y el desarrollo del modelo. Para los niveles preespecificados, los rangos desarrollados estaban fuertemente interrelacionados con los insumos experimentales adquiridos, de los cuales los efectos no fueron beneficiosos para los resultados finales. Las limitaciones climáticas comprendían una temperatura de bulbo seco que oscilaba entre 2 y 41 °C, una humedad relativa que oscilaba entre un 20 y un 80 % y una velocidad del viento que oscilaba entre 0 y 15 km/h. Todos los ensayos se dirigieron a paredes de estructuras diversas sujetas a dimensiones geométricas intrincadas para numerosas circunstancias climáticas (DBT, RH y WS) para que las variables en la nueva fórmula lograran la combinación más fina entre ellas en función de los resultados. A partir de la interpretación del modelo, se desarrollaron diferentes ajustes que ajustan la ecuación para todos los resultados y se explican en las secciones siguientes. La investigación se compone de numerosos factores de control, estándares numéricos y codificados activos en la colección de diseño giratorio compuesto central (CCRD) planificada por la convención, que cubre los treinta y dos ensayos. En el Apéndice 1 se presenta un conjunto completo de información bajo distintas circunstancias climáticas.

Vast domain ha implicado con éxito la técnica RSM para proporcionar valores de pronóstico de una manera más rápida y eficiente, al mismo tiempo que simula el problema de acuerdo con sus requisitos. La herramienta también optimiza las respuestas en función del conjunto de parámetros disponibles. De ahora en adelante, RSM se emplea a menudo para realizar simulaciones, optimizar y variar los niveles de cualquier número de entradas para un conjunto de datos específico. Los conjuntos de datos investigados se perciben con el método de regresión de superficie de respuesta modelado polinomial de segundo orden que se construyeron mediante la ecuación. (15):

donde Y es el resultado requerido, Xi son valores numéricos de los factores, mientras que los términos β0, βi, βii y βij son coeficientes de regresión, i y j son coeficientes lineales y cuadráticos, y ε es el error experimental. Se dibujaron gráficos de superficie de respuesta con la ayuda de estas representaciones ajustadas.

Se varían varios parámetros para analizar la liberación de calor térmico de las paredes de prueba. Principalmente, los parámetros ambientales fueron alterados con respecto a varias lecturas experimentales para constantes como salidas. Teóricamente, la tasa de liberación de calor (HRR) se puede estimar con las siguientes ecuaciones:

donde, dQG/dӨ prescribe la proporción de transferencia de calor total, dQN /dӨ la proporción de transferencia de calor neta y dQht /dӨ la proporción de transferencia de calor a las paredes.

Para simplificar el análisis, la fórmula teórica considera que el aire se comporta como un gas ideal, donde el término dQN /dӨ denota la suma de la tasa de trabajo realizado y la tasa de variación de la energía interna sensible dentro de la habitación de un edificio en particular. Eso es,

donde, el calor específico a volumen constante se denota por \({C}_{v}\) y la relación de calores específicos por \(\gamma\).

Rechazando el coeficiente de temperatura durante la diferenciación, se obtiene la siguiente ecuación:

La ecuación anterior consta de un coeficiente de transferencia de calor (h), Twall, que denota la temperatura media alcanzada en las paredes de la habitación, y As, que es el área superficial de la pared37. Considerando el fluido (aire) sometido a un flujo turbulento, la ecuación por la cual se puede estimar viene dada por la siguiente fórmula:

donde los valores constantes varían entre, \(0.35

La investigación de tasas de error se evalúa a través de fallas en los equipos equivalentes. Las incertidumbres inherentes siempre están asociadas en diferentes conjuntos de instrumentos mientras se miden los parámetros de entrada y salida. El objetivo principal de esta sección es reducir estos errores y maximizar la eficacia del resultado final. Además, la investigación combinada con la sección de análisis de incertidumbre se considera precisa. Las incertidumbres pueden estar disponibles con diferentes conjuntos de herramientas, equipos de medición, mano de obra no calificada y condiciones ambientales inadecuadas. Por lo tanto, para lograr una sensación de confiabilidad, todas las variables se miden tres veces por cada pared a la que se accede.

En general, se utilizan diferentes técnicas para estimar la cuantificación de los parámetros de investigación (climáticos) y los parámetros de salida (Ok1, Ok2 y valor R) que generan un error menor durante la experimentación. Todos los errores presentes en el equipo del análisis experimental están predispuestos en la Tabla 4. Se accede a la tasa de error total en esta experimentación empleando una formulación empírica que se establece a continuación:

La tasa de error total = ± 1.02%

La tasa de error total estimada para la configuración experimental es de ± 1,02%, por lo que se encuentra en una matriz normal.

Esta sección en particular explica el procedimiento aplicado para obtener los datos básicos necesarios para calcular el valor R de la configuración de la cámara infrarroja y el dron. La sección también destaca cómo la precisión depende de las condiciones atmosféricas alrededor del dron para generar datos imparciales. El criterio básico detrás de la recopilación de datos es la estabilidad del dron para generar el máximo número de fotos de la pared requerida. Además, se debe tener cuidado de limitar el número de fotos a 10 por pared, ya que el almacenamiento en el dron es limitado. El dron, después de alcanzar una altura particular, captura fotos a través de imágenes térmicas y luego estima las pérdidas de calor a través de cada pared. Los drones probablemente se aplican en edificios altos o de gran altura donde el alcance de los humanos puede convertirse en un trabajo tedioso. Las siguientes suposiciones se consideran antes de analizar los conjuntos de datos de investigación como se establece a continuación:

Se observaron condiciones climáticas normales antes del vuelo del dron, siendo la probabilidad de chubascos, la velocidad del viento, la temperatura de bulbo seco y la humedad ambiental. La humedad fluctuó entre 20 y 80%, la velocidad del viento entre 15 km/h y la DBT fluctuó entre 2 y 41 °C.

También se consideran las restricciones de equilibrio de drones y diferencia de altura en la guía de drones para un vuelo adecuado.

Las imágenes térmicas se tomaron una vez que el dron alcanza la altura requerida. Una grabación temprana dificulta la duración de la batería del dron. Se requiere una batería de larga duración para completar la operación de todas las paredes principales.

Los datos capturados avanzaron al marco del modelo para realizar más cálculos dentro del valor R de cada pared.

El tiempo total necesario para completar el proceso de recopilación de datos es de aproximadamente 20 h (4 h por día) en diferentes momentos del día para lograr uniformidad en los resultados. La duración total del tiempo fue de dos meses para cubrir la mayoría de las condiciones climáticas en un mes, como se muestra en la Tabla 5. Se proporciona una explicación más detallada de las pruebas en la Sección complementaria. A3.

Los drones ofrecen varias ventajas sobre los métodos tradicionales de inspección de edificios cuando se trata de detectar y evaluar el deterioro de los edificios. Una de las principales ventajas de los drones es su capacidad para acceder a áreas de difícil acceso, como techos y fachadas, sin necesidad de andamios u otros equipos costosos. Esto permite realizar inspecciones más exhaustivas y puede ayudar a identificar problemas que de otro modo podrían pasar desapercibidos. Además, los drones equipados con cámaras de alta resolución y otras tecnologías de detección pueden proporcionar imágenes y datos detallados que pueden usarse para identificar problemas estructurales, intrusión de humedad y otros signos de deterioro. Finalmente, los drones se pueden operar de forma remota, lo que reduce la necesidad de que los trabajadores humanos se encuentren en situaciones potencialmente peligrosas. En general, los drones ofrecen un método más seguro, más eficiente y más efectivo para la inspección y el mantenimiento de edificios, lo que los convierte en una opción cada vez más popular para los propietarios y administradores de edificios.

El proceso de recopilación de datos se basó ampliamente en una técnica simple de volar el dron a una altura específica donde se debe estimar el valor R. Además, las imágenes se tomaron a una distancia determinada, ni demasiado cerca ni demasiado lejos. Se empleó un proceso rápido de obtención de datos que se basó en 3 procedimientos simples; dirigir, concentrar y capturar la imagen térmica. El segmento específico aclara la importancia de detectar las deficiencias de los edificios al diseñar los requisitos de materiales aislantes para las envolventes de los edificios. Los valores se obtuvieron con sumo cuidado, con especial atención en proporcionar un proceso adecuado de cuantificación de la ruta, la absorción, la claridad de la corriente ascendente, la amplitud de la corriente y la distancia. El proceso debe realizarse con bastante rapidez, por lo que es posible que no se tenga en cuenta la naturaleza de las sustancias. Los valores se ajustan posteriormente en función de los valores presentes en el software.

En el proceso de detección de drones, la temperatura ambiente es un parámetro operativo esencial que influye considerablemente en el proceso de medición de la temperatura, por lo que podría modificarse mediante una fórmula híbrida. Con frecuencia, los niveles altos de temperatura ambiente pueden constituir una gran barrera para las mediciones de temperatura correctas en el área de la pared, ya que la corriente de aire caliente presente en la parte frontal de la cámara podría corresponder a una temperatura más alta. Por el contrario, la aparición de brisa ofrece una lectura inferior dentro de la cámara. Por lo tanto, la existencia de un tiro positivo genera incertidumbres en los valores medidos que pueden eliminarse considerando las variables Ok1 y Ok2, que son incertidumbres ambientales al estimar la cantidad de degradación en cualquier pared. La interrelación entre variables mutuas puede entenderse con las Figs. 5 y 6.

Variación de Ok1 con DBT.

Variación de Ok2 con DBT.

Las diferencias en la humedad ambiental se estiman para las condiciones operativas de los edificios con el uso de una integración de cámara y dron que muestra una parte importante en el suministro de resistencia térmica. La ocurrencia de niveles más altos de cantidad de humedad en los climas genera incertidumbres dentro del proceso de medición de la cámara del dron debido a la formación de gotas en la superficie del aluminio y la cinta negra. Además, se acumula una capa de gotas de agua húmeda sobre la estructura de la pared donde se va a medir la temperatura reflejada. Estos errores inherentes se pueden anular o evitar incorporando variables desarrolladas en la fórmula desarrollada para evaluar el valor R. La relación de las variables desarrolladas con la HR puede interpretarse mediante las Figs. 7 y 8 que se muestran a continuación.

Variación de Ok1 con RH.

Variación de Ok2 con RH.

La estabilidad de los drones es una restricción indispensable durante la medición del valor R en la aproximación de la temperatura reflejada. Los niveles más altos de viento ambiental alcanzados se relacionan con el desequilibrio en el dron, que se vuelve inestable y produce errores en la medición de la temperatura. Aunque se mantienen estándares regulares en toda la investigación, es posible que sea necesario colocar un dron mientras se dirige la cámara hacia el sello de medición. Estos errores inherentes se pueden anular o evitar incorporando variables desarrolladas en la fórmula desarrollada para evaluar el valor R. La relación de las variables desarrolladas con la velocidad del viento puede interpretarse mediante las Figs. 9 y 10.

Variación de Ok1 con WS.

Variación de Ok2 con WS.

En esta sección, se estima que la capacidad de pronóstico del modelo ANFIS presenta una correlación racional entre el valor R y las situaciones climáticas, que comprenden la temperatura ambiente, la corriente de aire ambiental y la humedad relativa en esta investigación. Se lograron resultados de investigación para numerosos muros bajo diversas influencias climáticas.

La participación y las influencias dadas contribuyen a una colección significativamente extensa de datos que proporciona resultados de investigación masivos que requieren tiempo, esfuerzo, energía y petróleo. Este estudio propone un método de IA (ANFIS) que se ha adoptado para permitir un pronóstico de respuesta constante y aplicado con una inexactitud de entrada de información despreciable, que consta de números parciales como entradas. Los diferentes conjuntos de datos generados a partir de los datos de drones investigados, el entrenamiento y la validación obtenidos a través de RSM se examinan por medio del sistema de inferencia difuso de tipo Sugeno, que se propone principalmente en un proceso sofisticado que involucra la demostración del análisis de regresión y la técnica de descenso inclinado del back- propagación41.

La computación suave se lleva a cabo para mejorar la enorme funcionalidad del ensamblaje establecido para las difíciles configuraciones de los drones. Las revisiones anteriores han proporcionado la eficiencia de las planificaciones ANFIS que consisten en 3 conjuntos de datos de entrenamiento y 4 niveles primarios que deben activarse en el sistema para diversos tipos de situaciones, como se muestra en la Tabla 6. Esto se muestra en la Sección complementaria. A2.

En el caso de desarrollar un marco factible para la estructura de datos disponible, las afirmaciones aseguradas por el modelado ANFIS se integran con factores ambientales donde producen sus restricciones operativas basadas en variables presentes y conjuntos de datos de entrada adquiridos. Estos algoritmos facilitan el desarrollo de una interrelación viable para numerosas variables y sus resultados asociados con el entorno ambiental para el edificio de prueba, como se muestra en la Fig. 11a–f, que muestra muchos gráficos entre el hábitat natural y las variables de fórmula. Se evaluó la no conformidad cuadrática media y el porcentaje de la estimación de la varianza para todos los miembros del marco disponible y la anatomía topográfica web formada en los conjuntos de datos subsiguientes de Sugeno en el modelado ANFIS. Para varios tipos de propósitos de membresía, la proporción de fallas se logra para anticipar el algoritmo de trabajo ideal entre todos. El error más pequeño se logra para la función gaussiana 2 para las variables Ok1, mientras que la función de membresía de la función gaussiana 1 alcanzó la tasa de error más baja en las variables Ok2 de la fórmula de Osama. Además, la membresía gaussiana 1 predijo mejores resultados para el valor R de la resistencia térmica, como se desprende de la Tabla 6.

(a–f) Gráficos tridimensionales entre los parámetros ambientales (DBT, RH y WS) y las constantes de fórmula (Ok1 y Ok2).

Las incertidumbres inherentes en todos los modelos desarrollados para varias funciones de membresía se tabulan en la Tabla 6 con su respectiva estimación de las tasas de error más bajas resaltadas con marcas amarillas. La preparación de modelos ANFIS eficientes genera datos confiables que son bastante idénticos a la información hipotética anterior proporcionada para entrenar y examinar los resultados del estudio. Además, los valores de pronóstico inspeccionados para las clases de ANFIS reconocen la interrelación entre cada variable y demuestran la autenticación de la formulación proyectada, ya que los resultados logrados son bastante adyacentes a los logrados en la formulación.

Los resultados estimados por modelos híbridos (ANFIS, teórico convencional y teórico novedoso) se evaluaron sobre la base de fórmulas de regresión como la raíz del error cuadrático medio (RMSE) y la fracción de varianza R2. A menudo, estas herramientas estadísticas se emplean para estimar la desviación entre las respuestas experimental y predicha. La fracción de varianza (R2) trabaja sobre el concepto de regresión lineal teniendo en cuenta todas las estimaciones por encima y por debajo del sistema. RMSE se emplea para estimar qué tan cerca están los residuales (datos experimentales y datos pronosticados) de la línea de mejor ajuste. Para validar y verificar los resultados de los parámetros de construcción, estos se probaron para diferentes incertidumbres utilizando herramientas estadísticas. Se realizaron diferentes tipos de análisis de regresión para evaluar la viabilidad de estos modelos híbridos computarizados suaves. La precisión del modelo predictivo se validó considerando las fórmulas de regresión como RMSE y R2. Los modelos de predicción anteriores se consideraban precisos si el RMSE evaluado era cercano a cero. Por el contrario, la fracción de varianza de los datos pronosticados debe estar cerca de 1 para un modelo de ajuste preciso. En la presente investigación, todos los modelos implementados cumplieron con los estándares de error estadístico anteriores, lo que facilitó un pronóstico confiable y consistente.

La optimización de respuesta multiobjetivo (MORO) se proporciona con la ayuda de Minitab 18 y los resultados se muestran juntos en la Fig. 12. De acuerdo con la representación gráfica de la optimización de respuesta múltiple, el usuario requiere Ok1 y Ok2 más altos en algún lugar cercano a 1. Los valores óptimos previstos para Ok1 y Ok2 se alcanzan simultáneamente en una agrupación óptima de 44,90 % de humedad relativa (HR), 12,61 °C de temperatura de bulbo seco (DBT) y 5,20 km/h de velocidad del viento (WS).

Condiciones óptimas de Pareto logradas con el optimizador de superficie de respuesta.

Se encuentra que las constantes de la fórmula Ok1 y Ok2 son 0,91 y 0,99 con la ayuda del método de regresión. Los valores de R2 y R2 (adj) para Ok1 y Ok2 calculados y encontrados son 98,65% y 98,35% respectivamente. De ahora en adelante, los parámetros del modelo implicados son razonablemente suficientes para presentar los resultados establecidos. Se ejecutan análisis simultáneos con la ayuda de la prueba de valor p, la prueba de relación F y la varianza (ANOVA), y los resultados se muestran en la Tabla 7. Entre los valores de salida requeridos, se encontró que las propiedades lineales eran 0.01, lo que podría considerarse como sustancial. El valor F de la falta de ajuste también se estimó para los parámetros de salida con sus respectivos valores como se muestra en la Tabla 7.

En la sección anterior, la fórmula de Osama informó una tasa de error reducida (RMSE) en comparación con el modelo teórico anterior que no tuvo en cuenta las variaciones ambientales en el aire42,43. Además, el valor cenital R2 cercano a 1 se logró en la misma fórmula integrada. La Tabla 8 muestra las comparaciones de los valores de respuesta observados y ajustados. También se establece la variación porcentual calculada entre el modelo ajustado y el real, por lo que se muestran valores que indican el impacto de las variables en los resultados en cada fila final. La simulación desarrollada a través del análisis de regresión se muestra en la Fig. 8.

Para validar y justificar la selección de la fórmula de Osama, se recopiló el modelo anterior y se comparó con el modelo experimental que se presenta en la Tabla 9. La comparación de datos se estableció en un estudio experimental para diferentes resultados de paredes. El modelo actual ha mostrado el mismo patrón de mayor precisión (RMSE más bajo con R2 más alto) en la fórmula de Osama, ya que tiene en cuenta las variaciones ambientales, lo que valida la fórmula propuesta. La validación del modelo actual con modelos anteriores desarrollados por AI en problemas similares se muestra en la Tabla 10 para el análisis comparativo.

La investigación moderna descubrió la posibilidad de emplear una disposición de cámara y dron para lograr un concepto de construcción ecológica que comprendía numerosas variables climáticas, como la temperatura de bulbo seco, la velocidad del viento y la humedad relativa. Además, se desarrolló una fórmula novedosa, a saber, la fórmula de Osama, que se empleó para estimar la resistencia térmica de las paredes y, finalmente, la pérdida total de calor teniendo en cuenta los cambios en el medio ambiente. Se generaron los resultados investigativos y se estableció un estudio comparativo a los obtenidos a partir de la fórmula. El conjunto de datos generado de forma convencional habría consumido mucho tiempo debido a la complejidad que también implica el problema, lo que sería difícil en todo el proceso ya que el entorno sigue variando. Por lo tanto, el análisis ejemplar descubre y aprueba la mayor precisión pronóstica de construir muros de resistencia al integrar las discrepancias en las variables climáticas que varían los datos obtenidos. Además, la fórmula novedosa generó resultados probables óptimos más cercanos a los valores obtenidos en tiempo real. Los principales resultados del análisis se explican a continuación:

La investigación aborda la preocupación principal de lograr edificios ecológicos con un uso mínimo de energía que se ha reducido mediante el análisis del deterioro de los edificios por numerosas variaciones climáticas.

La investigación también ayuda a evaluar las pérdidas primarias basadas en el calor a través de los componentes de la envolvente del edificio que dificultan el concepto de construcción ecológica. Las enmiendas apropiadas en los elementos de construcción, como el aislamiento sobre estos, podrían reducir la tasa de transfusión de energía.

Además, el análisis ayuda a señalar la posición particular de la discrepancia, lo que brinda la oportunidad de mejorar el diseño existente. Además, esta ubicación se puede mejorar aislando o sustituyendo por completo la ubicación del sobre. Las ubicaciones fueron detectadas por una cámara termográfica integrada que evaluó el valor R para varios sobres.

La investigación encontró que el valor R se degradó a lo largo de los años en comparación con el valor original que era anterior de acuerdo con los estándares de ASHRAE. El valor R obtenido nos llevó a cálculos valiosos que explicaron varias modificaciones en los diseños, lo que redujo los requisitos de energía y aumentó la rentabilidad del edificio.

La investigación existente podría ayudar a los próximos inspectores a pronosticar y evaluar el valor R para varios edificios altos estructurados por un medio simple y rentable donde la inspección de energía podría no ser posible mediante el empleo de grúas, lo cual es un asunto costoso, mejorando así la eficiencia energética. de la estructura

Sin embargo, la medida en que los resultados pueden ser similares si se repite el mismo procedimiento en diferentes edificios dependería de la similitud de los edificios en cuanto a sus materiales de construcción, aislamiento y orientación, así como de las condiciones ambientales externas durante la medición. . En general, si bien las mediciones de resistencia térmica basadas en drones tienen el potencial de brindar información valiosa sobre el rendimiento energético de un edificio, es importante considerar las limitaciones del método y tener en cuenta las posibles fuentes de error que pueden afectar la precisión y la reproducibilidad de los resultados. . El alcance futuro de este estudio podría involucrar el desarrollo de métodos para mitigar el impacto de las condiciones interiores en las mediciones de resistencia térmica basadas en drones, como el uso de sensores para monitorear el ambiente interior durante el proceso de medición. Además, el estudio podría ampliarse para incluir una muestra más grande de edificios para evaluar la generalización de los hallazgos.

Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable.

Inteligencia artificial

Humedad específica

Trabajando fluidamente

Internet de las Cosas

Sistema de inferencia neurodifuso adaptativo

Termografía infrarroja

Temperatura media

Aire acondicionado

Fórmula de Osama Khan

codigo nacional de construccion

Temperatura de bulbo seco

Calor sensible

Velocidad del viento

Calor latente

Temperatura del bulbo húmedo

Metodología de superficie de respuesta

Humedad relativa

Error medio de la raíz cuadrada

Fracción de varianza

Temperatura media

Coeficiente de sombreado

osama khan variable 1

Osama Khan variable 2

Suthan, R., Jayakumar, V. y Madhu, S. Evaluación de las propiedades mecánicas de los compuestos epoxi de fibra de Kevlar: un estudio experimental. En t. J. Veh. Estructura. Sistema 10(6), 389–394. https://doi.org/10.4273/ijvss.10.6.02 (2018).

Artículo Google Académico

Liu, D., Xia, X., Chen, J. y Li, S. Integración del modelo de información de construcción y la realidad aumentada para la inspección de edificios basada en drones. J. Cómputo. civ. Ing. 35(2), 958 (2021).

Artículo Google Académico

Kalaitzakis, M. et al. StereoDIC basado en drones: desarrollo de sistemas, validación experimental y aplicación de infraestructura. Exp. mecánico https://doi.org/10.1007/s11340-021-00710-z (2021).

Artículo Google Académico

Kotharkar, R., Ghosh, A., Kapoor, S. & Reddy, DGK Enfoque para la evaluación del consumo de energía basado en la zona climática local en una ciudad india. Construcción de energía. 259, 111835. https://doi.org/10.1016/j.enbuild.2022.111835 (2022).

Artículo Google Académico

Wang, J. et al. Una comparación experimental en el entorno térmico regional de los grupos de edificios cerrados de alta densidad con revestimientos retrorreflectantes y altamente reflectantes. Construcción de energía. 259, 111864. https://doi.org/10.1016/j.enbuild.2022.111864 (2022).

Artículo Google Académico

Mirzabeigi, S. & Razkenari, M. Inspección de edificios basada en visión automatizada utilizando termografía de drones. Congreso de Investigación de la Construcción 2022 (Sociedad Estadounidense de Ingenieros Civiles, 2022).

Google Académico

Torres-Quezada, J., Avilés, AT, Isalgue, A. & Pages-Ramon, A. La evolución de la energía incorporada en la edificación residencial andina. Metodología aplicada a Cuenca-Ecuador. Construcción de energía. 259, 111858. https://doi.org/10.1016/j.enbuild.2022.111858 (2022).

Artículo Google Académico

Albeaino, G., Eiris, R., Gheisari, M. & Issa, RR DroneSim: un simulador de entrenamiento de vuelo basado en VR para inspecciones de edificios mediadas por drones. Constr. innovador 22, 831–848 (2021).

Artículo Google Académico

Hasan, M., Ben, S. y Hughes, R. Revolucionando las técnicas de inspección de edificios para satisfacer las demandas de energía a gran escala: una revisión del estado del arte. Renovar. Sostener. Energía Rev. 130, 109979 (2020).

Artículo Google Académico

Li, Y. & Liu, C. Aplicaciones de las tecnologías de drones multirotor en la gestión de la construcción. En t. J.Constr. Administrar 19(5), 401–412. https://doi.org/10.1080/15623599.2018.1452101 (2018).

Artículo Google Académico

Kyrkou, C. & Theocharides, T. Red de emergencia: clasificación eficiente de imágenes aéreas para el monitoreo de emergencia basado en drones mediante fusión de características convolucionales atrous. IEEE J. Sel. Arriba. aplicación Observación de la Tierra Sensor remoto 13, 1687–1699 (2020).

Artículo ANUNCIOS Google Académico

Calvo, JAL, Alirezaei, G. & Mathar, R. Alimentación inalámbrica de MANET basados ​​en drones para zonas de desastre. Internacional IEEE Conf. Wirel. Entorno Extremo Espacial. 2017, 98–103 (2017).

Google Académico

Madhu, S. & Balasubramanian, M. Efecto de los parámetros del proceso de chorro abrasivo en el mecanizado de compuestos de polímero reforzado con fibra de vidrio. Ciencia de materiales y tecnología de ingeniería 48 (11), 1146–1157. https://doi.org/10.1002/mawe.201600744 (2017).

Artículo CAS Google Académico

An, Y., Choi, H., Kim, E. & Kim, T. Análisis experimental de las características de temperatura estacional y el consumo de energía de refrigeración y calefacción de una ventana delgada de doble pared. Construcción de energía. 256, 111692. https://doi.org/10.1016/j.enbuild.2021.111681 (2022).

Artículo Google Académico

Liang, R. et al. Predicción de las ganancias térmicas internas de los edificios mediante métodos de inteligencia artificial. Construcción de energía. 258, 111794. https://doi.org/10.1016/j.enbuild.2021.111794 (2022).

Artículo Google Académico

Seliem, H., Shahidi, R., Ahmed, MH & Shehata, MS Servicio de DAS y VANET en carretera basado en drones. IEEE 6, 20125–20137. https://doi.org/10.1109/ACCESS.2018.2824839 (2018).

Artículo Google Académico

Shariq, MH & Hughes, BR Revolucionando las técnicas de inspección de edificios para satisfacer las demandas de energía a gran escala: una revisión del estado del arte. Renovar. Sostener. Energía Rev. 130, 109979 (2020).

Artículo Google Académico

Abdellatif, M., Chamoin, J., Nianga, J. & Defer, D. Una metodología de control térmico basada en un modelo de pronóstico de aprendizaje automático para calefacción interior. Construcción de energía. 255, 11692. https://doi.org/10.1016/j.enbuild.2021.111692 (2022).

Artículo Google Académico

Ma, Z., Zhao, D., Wang, F. y Yang, R. Un nuevo modelo de evaluación de confort térmico y ahorro de energía para textiles de calefacción y refrigeración radiativa. Construcción de energía. 258, 111842. https://doi.org/10.1016/j.enbuild.2022.111842 (2022).

Artículo Google Académico

Fokaides, P. & Kalogirou, S. Aplicación de termografía infrarroja para la determinación del coeficiente global de transferencia de calor (valor U) en envolventes de edificios. aplicación Energía 88, 4358 (2011).

Artículo Google Académico

Nardi, I., Sfarra, S. & Ambrosini, D. Termografía cuantitativa para la estimación del valor U; estado del arte y estudio de caso. J. física. 547, 012016 (2014).

Google Académico

Park, S., Kim, H., Kim, K. y Kim, K. Algoritmo de formación de drones en el espacio 3D para una infraestructura de red basada en drones. IEEE Pers. Multitud interior. Radio Comun. https://doi.org/10.1109/PIMRC.2016.7794907 (2016).

Artículo Google Académico

Prabu, B., Malathy, R., Gulshan Taj, MNA & Madhan, N. Drone Networks and Monitoring Systems in Smart Cities 26 (CRC Press, 2023).

Google Académico

Burgués, J. & Marco, S. Monitorización de gases ambientales mediante drones. En Redes de Calidad del Aire. Informática ambiental y modelado (eds De Vito, S. et al.) (Springer, 2023).

Google Académico

Halder, S. & Afsari, K. Robots en inspección y monitoreo de edificios e infraestructura: una revisión sistemática. aplicación ciencia 13(4), 2304. https://doi.org/10.3390/app13042304 (2023).

Artículo CAS Google Académico

Alkaabi, K., Senghore, S. y Rhman El Fawair, A. Hacia ciudades sostenibles: Monitoreo del entorno térmico para edificios y espacios peatonales utilizando imágenes térmicas 3D capturadas por drones. Frente. Entorno Construido. 8, 1035546. https://doi.org/10.3389/fbuil.2022.1035546 (2023).

Artículo Google Académico

Leggiero, M. et al. Estimación de la pérdida de calor por radiación de envolventes de edificios basada en modelos termográficos 3D que utilizan pequeños sistemas aéreos no tripulados (sUAS). Construcción de energía. 244, 110957. https://doi.org/10.1016/j.enbuild.2021.110957 (2021).

Artículo Google Académico

Oh, S., Ham, S. & Lee, S. Esquema de procesamiento de imágenes asistido por drones que utiliza la identificación de ubicación basada en marcos para la detección de grietas y pérdidas de energía en envolventes de edificios. Energías 14(19), 6359. https://doi.org/10.3390/en14196359 (2021).

Artículo Google Académico

Zheng, H., Zhong, X., Yan, J., Zhao, L. y Wang, X. Un método de detección de rendimiento térmico para la envolvente de edificios basado en un modelo 3D generado por imágenes térmicas de UAV. Energías 13(24), 6677. https://doi.org/10.3390/en13246677 (2020).

Artículo Google Académico

Kim, CW, Yang, SC & Ahn, YC Un análisis numérico de la distribución de la presión exterior por efecto del viento exterior en un edificio residencial de gran altura. Korean J. Air-Cond. Refrig. Ing. 23, 639–645 (2011).

Google Académico

Nagappan, B., Devarajan, Y., Kariappan, E., Philip, SB y Gautam, S. Influencia de los aditivos antioxidantes en el rendimiento y las características de emisión del motor CI alimentado con biodiésel de sebo de res. Investigación de la ciencia ambiental y la contaminación 28(10), 12041–12055. https://doi.org/10.1007/s11356-020-09065-9 (2020).

Artículo CAS PubMed Google Académico

O'Grady, M., Lechowska, AA & Harte, AM Aplicación de la técnica de termografía infrarroja a la evaluación térmica de múltiples puentes térmicos y ventanas. Construcción de energía. 168, 347–362. https://doi.org/10.1016/j.enbuild.2018.03.034 (2018).

Artículo Google Académico

Lin, D., Jarzabek-Rychardb, M., Tong, X. y Maas, HG Fusión de imágenes térmicas con nubes de puntos para el mapeo de atributos térmicos de fachadas de edificios. ISPRS J. Photogramm. Remoto. Sens. 151, 162–175 (2019).

Artículo ANUNCIOS Google Académico

Fokaides, PA & Kalogirou, SA Aplicación de termografía infrarroja para la determinación del coeficiente global de transferencia de calor (valor U) en envolventes de edificios. aplicación Energía 88(12), 4358–4365. https://doi.org/10.1016/j.apenergy.2011.05.014 (2011).

Artículo Google Académico

Kontokosta, CE, Spiegel-Feld, D. & Papadopoulos, S. El impacto de las auditorías energéticas obligatorias en el uso de energía de los edificios. Nat. Energía 5, 309–316. https://doi.org/10.1038/s41560-020-0589-6 (2020).

Artículo ANUNCIOS Google Académico

Celestino, F., Carlos, P. & Pereira, E. Sistemas embebidos de procesamiento de imágenes para el reconocimiento automático de grietas mediante UAV. IFAC 48, 16–21. https://doi.org/10.1016/j.ifacol.2015.08.101 (2015).

Artículo Google Académico

Tarek, R. & Alice, G. Revisión de aplicaciones de sistemas aéreos no tripulados (UAS) en el entorno construido: Hacia procedimientos automatizados de inspección de edificios usando drones. automático Constr. 93, 252–264 (2018).

Artículo Google Académico

Genova, E. & Fatta, G. La caracterización termofísica de elementos técnicos en la arquitectura histórica: Experiencias en Palermo. proc. Actas del Congreso Int. Eficiencia Energética Edificación Hist. 2014, 397–406 (2014).

Google Académico

Khan, O., Khan, ME, Yadav, AK & Sharma, D. La optimización asistida por ultrasonidos de la producción de biodiesel a partir de aceite de eucalipto. Fuentes de energía Parte A 39(13), 1323–1331 (2017).

Artículo CAS Google Académico

Aydına, M., Uslu, S. & Celik, MB Rendimiento y predicción de emisiones de un motor de encendido por compresión alimentado con mezclas de biodiésel-diésel: una aplicación combinada de optimización basada en ANN y RSM. Combustible 269, 117472 (2020).

Artículo Google Académico

Jo, J., Jadidi, Z. & Stantic, B. Un sistema de inspección de edificios basado en drones que utiliza agentes de software. En Computación Distribuida Inteligente Estudios en Inteligencia Computacional vol. 737 (eds. Ivanović, M. et al.) (Springer, 2018).

Google Académico

Kumar, S. Capacidades de estimación de la producción de biodiésel a partir de una mezcla de aceite de algas utilizando un sistema de inferencia neurodifuso adaptativo (ANFIS). Fuentes de energía Parte A 42, 7 (2020).

Artículo Google Académico

Khan, O., Khan, ME, Parvez, M., Ahmed, KAAR & Ahmad, I. Extracción y experimentación de biodiésel producido a partir de aceites lixiviados de vertederos junto con nanoaditivos de óxido de aluminio y óxido de cobre en motores diésel. En Nanomateriales para sistemas y dispositivos de energía innovadores 319–332 (Springer, 2022).

Capítulo Google Académico

Seraj, M. et al. Investigación analítica de modelos de inteligencia artificial para la industria del mecanizado bajo diferentes estrategias ambientales: un enfoque de industria 4.0. Sostener. oper. computar 3, 176–187 (2022).

Artículo Google Académico

Khan, O. et al. Una mejora en el rendimiento, la combustión y los atributos de emisión del motor diesel alimentado con aceite de Eichhornia crassipes y nanopartículas de óxido de cobre a diferentes presiones de inyección. Fuentes de energía Parte A 44(3), 6501–6522 (2022).

Artículo CAS Google Académico

Aghbashlo, M., Hosseinpour, S., Tabatabaei, M., Younesi, H. & Najafpour, G. Sobre la optimización exergética de la producción fotobiológica continua de hidrógeno usando ANFIS-NSGA-II híbrido (sistema de inferencia neurodifuso adaptativo no dominado clasificación algoritmo genético-II). Energía 96, 507–520 (2016).

Artículo CAS Google Académico

Descargar referencias

Este trabajo de investigación fue financiado por Proyectos del Fondo Institucional bajo la subvención no. (IFPIP: 655-247-1443). Los autores agradecen el apoyo técnico y financiero proporcionado por el Ministerio de Educación y la Universidad King Abdulaziz, DSR, Jeddah, Arabia Saudita.

Departamento de Ingeniería Mecánica, Universidad Jamia Millia Islamia, Nueva Delhi, 110025, India

osama khan

Departamento de Ingeniería Mecánica, Universidad Al-Falah, Haryana, 121004, India

mohd parvez

Departamento de Matemáticas, Universidad King Abdulaziz, Jeddah, Arabia Saudita

Monairah Alansari

Departamento de Matemáticas, Decanato de Servicios Educativos, Universidad de Qassim, Buraidah, 51452, Arabia Saudita

mohammad farid

Departamento de Ingeniería Térmica, Escuela de Ingeniería Saveetha, SIMATS, Chennai, Tamil Nadu, India

Yuvarajan Devarajan

Departamento de Ingeniería Civil, Universidad de Ambo, Ambo, Etiopía

Subash Thanapan

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Todos los autores han contribuido igualmente al manuscrito.

Correspondencia a Yuvarajan Devarajan o Subash Thanappan.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Khan, O., Parvez, M., Alansari, M. et al. Aplicación de la inteligencia artificial en el concepto de edificación verde para la auditoría energética utilizando tecnología de drones en diferentes condiciones ambientales. Informe científico 13, 8200 (2023). https://doi.org/10.1038/s41598-023-35245-x

Descargar cita

Recibido: 15 de marzo de 2023

Aceptado: 15 de mayo de 2023

Publicado: 21 mayo 2023

DOI: https://doi.org/10.1038/s41598-023-35245-x

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.