Justification of the combination of standard values of material characteristics of layers in the building envelope on the basis of quadratic optimization

Cover Page

Cite item

Full Text

Abstract

Introduction. The relevance of the research is determined by the features of the design and organizational-and-technological solutions formed in the process of developing modern construction projects, consisting in the use of a limited composition of technological resources (building materials, machines and equipment), which determines the discreteness of the values of the characteristics of the above-mentioned solutions. The purpose of the study is to develop tools to justify the combination of standard values of the characteristics of materials used for the device of layers of the enclosing structure, using quadratic optimization tools.Materials and methods. Mathematical models for optimization of the thickness for the materials used as layers of the enclosing structure in a residential building are developed, based on discrete and binary unknown variables, as well as on the criteria of the weighted average (by the thickness of layers) temperature, total thickness and thermal resistance of the structure. The mathematical models have a quadratic structure of the objective function and a linear structure of indirect constraints, but the presence of constraints related to the discreteness (binarity) of unknown variables significantly complicates the process of the models’ implementation due to the lack of suitable standard (available in modern software environments for mathematical modelling) computational algorithms. In this regard, it was decided to develop a user computational algorithm that includes the advantages of the branch and bound method used to determine the optimal values of unknown variables for which discreteness or binary requirements are specified, as well as the interior point method used to determine the optimal solution of the quadratic optimization model without taking into account the above requirements.Results. To practically verify the developed mathematical models, the proposed computational algorithm was applied to justify the selection of standard material characteristics for the given enclosure structure. The resulting data enabled the establishment of dependencies between the thermal performance indicators of the structure and the required thickness of its layers.Conclusions. Based on the analysis of the results obtained from using the developed mathematical models and computational algorithm, the significant practical value of the proposed tools was confirmed.

About the authors

Ya. A. Olekhnovich

Peter the Great St.Petersburg Polytechnic University (SPbPU)

Email: olehnovich_yaa@spbstu.ru
ORCID iD: 0000-0001-9578-7245

A. E. Radaev

Peter the Great St.Petersburg Polytechnic University (SPbPU)

Email: radaev_ae@spbstu.ru
ORCID iD: 0000-0002-0840-6828

References

  1. Yu W., Li B., Jia H., Zhang M., Wang D. Application of multi-objective genetic algorithm to optimize energy efficiency and thermal comfort in building design // Energy and Buildings. 2015. Vol. 88. Pp. 135–143. doi: 10.1016/j.enbuild.2014.11.063
  2. Benaddi F.Z., Boukhattem P., Tabares-Velasco P.C. Multi-objective optimization of building envelope components based on economic, environmental, and thermal comfort criteria // Energy and Buildings. 2024. Vol. 305. P. 113909. doi: 10.1016/j.enbuild.2024.113909
  3. Liu Y., Li T., Xu W., Wang Q., Huang H., He B.J. Building information modelling-enabled multi-objective optimization for energy consumption parametric analysis in green buildings design using hybrid machine learning algorithms // Energy and Buildings. 2023. Vol. 300. P. 113665. doi: 10.1016/j.enbuild.2023.113665
  4. Delgarm N., Sajadi B., Delgarm S. Multi-objective optimization of building energy performance and indoor thermal comfort: A new method using artificial bee colony (ABC) // Energy and Buildings. 2016. Vol. 131. Pp. 42–53. doi: 10.1016/j.enbuild.2016.09.003
  5. He L., Zhang L. A bi-objective optimization of energy consumption and investment cost for public building envelope design based on the ε-constraint method // Energy and Buildings. 2022. Vol. 266. P. 112133. doi: 10.1016/j.enbuild.2022.112133
  6. Karmellos M., Kiprakis A., Mavrotas G. A multi-objective approach for optimal prioritization of energy efficiency measures in buildings: Model, software and case studies // Applied Energy. 2015. Vol. 139. Pp. 131–150. doi: 10.1016/j.apenergy.2014.11.023
  7. Yang H., Xu Z., Shi Y., Tang W., Liu Ch., Yunusa-Kaltungo A. et al. Multi-objective optimization designs of phase change material-enhanced building using the integration of the Stacking model and NSGA-III algorithm // Journal of Energy Storage. 2023. Vol. 68. P. 107807. doi: 10.1016/j.est.2023.107807
  8. Asadi E., Gameiro da Silva M., Antunes C.H., Dias L., Glicksman L. Multi-objective optimization for building retrofit: A model using genetic algorithm and artificial neural network and an application // Energy and Buildings. 2014. Vol. 81. Pp. 444–456. doi: 10.1016/j.enbuild.2014.06.009
  9. Hosamo H.H., Tingstveit M.S., Nielsen H.K., Svennevig P.R., Svidt K. Multiobjective optimization of building energy consumption and thermal comfort based on integrated BIM framework with machine learning-NSGA II // Energy and Buildings. 2022. Vol. 277. P. 112479. doi: 10.1016/j.enbuild.2022.112479
  10. Rosso F., Ciancio V., Dell’Olmo J., Salata F. Multi-objective optimization of building retrofit in the Mediterranean climate by means of genetic algorithm application // Energy and Buildings. 2020. Vol. 216. P. 109945. doi: 10.1016/j.enbuild.2020.109945
  11. Wu C., Pan H., Luo Zh., Liu Ch., Huang H. Multi-objective optimization of residential building energy consumption, daylighting, and thermal comfort based on BO-XGBoost-NSGA-II // Building and Environment. 2024. Vol. 254. P. 111386. doi: 10.1016/j.buildenv.2024.111386
  12. Ouanes S., Sriti L. Regression-based sensitivity analysis and multi-objective optimisation of energy performance and thermal comfort: Building envelope design in hot arid urban context // Building and Environment. 2023. Vol. 248. P. 111099. doi: 10.1016/j.buildenv.2023.111099
  13. Wong B., Wu Zh., Gan V., Chan C., Cheng J. Parametric building information modelling and optimality criteria methods for automated multi-objective optimisation of structural and energy efficiency // Journal of Building Engineering. 2023. Vol. 75. P. 107068. doi: 10.1016/j.jobe.2023.107068
  14. Radaev A.E., Gamayunova O.S., Bardina G.A. Optimization of energy efficiency design characteristics for construction projects // AlfaBuild. 2021. Nо. 5 (20). P. 2003. doi: 10.57728/ALF.20.3. EDN RZOJPY.
  15. Yang J., Wu H., Xu X., Huang G., Cen J., Liang Y. Regional climate effects on the optimal thermal resistance and capacitance of residential building walls // Energy and Buildings. 2021. Vol. 244. P. 111030. doi: 10.1016/j.enbuild.2021.111030
  16. Sánchez-Zabala V.F., Gomez-Acebo T. Building energy performance metamodels for district energy management optimisation platforms // Energy Conversion and Management: X. 2024. Vol. 21. P. 100512. doi: 10.1016/j.ecmx.2023.100512
  17. Shi Y., Chen P. Energy retrofitting of hospital buildings considering climate change: An approach integrating automated machine learning with NSGA-III for multi-objective optimization // Energy and Buildings. 2024. Vol. 319. P. 114571. doi: 10.1016/j.enbuild.2024.114571
  18. Huang J., Lv H., Gao T., Feng W., Chen Y., Zhou T. Thermal properties optimization of envelope in energy-saving renovation of existing public buildings // Ener-gy and Buildings. 2014. Vol. 75. Pp. 504–510. doi: 10.1016/j.enbuild.2014.02.040
  19. Гамаюнова О.С. Методика обоснования теплотехнических характеристик стеновых конструкций жилых зданий : дис. ... канд. техн. наук. СПб., 2021. 166 с. EDN CJHWXK.
  20. Иванова В.Р., Жидко Е.А. Сравнение вариантов утеплителя для реконструкции жилого дома методом анализа иерархий // Информационные технологии в строительных, социальных и экономических системах. 2019. № 3–4 (17–18). С. 183–188. EDN THYVAJ.
  21. Иванова И.Б., Романов М.А. Выбор проектного решения на основе системы показателей с использованием метода парных сравнений // Социально-экономическое управление: теория и практика. 2019. № 1 (36). С. 80–82. EDN UQDZZK.
  22. Радаев А.Е., Гамаюнова О.С., Бардина Г.А. Использование средств оптимизационного моделирования для обоснования характеристик энергоэффективного конструктивного решения // Строительство и техногенная безопасность. 2022. № 27 (79). С. 5–25. EDN EXVSFS.
  23. Радаев А.Е., Гамаюнова О.С. Обоснование характеристик многослойной стеновой конструкции с использованием средств квадратичного программирования // Строительство и техногенная безопасность. 2021. № 22 (74). С. 111–127. doi: 10.37279/2413-1873-2021-22-111-127. EDN ORVFEG.
  24. Резанов Е.М., Петров П.В. Повышение эффективности утепления стен зданий с учетом регулирования отпускаемой тепловой энергии // Известия Транссиба. 2019. № 4 (40). С. 77–86. EDN DWXNDX.
  25. Петров П.В., Кулагин В.А., Резанов Е.М., Стариков А.П. Совершенствование технологии теплоизоляции зданий // Журнал Сибирского федерального университета. Серия: Техника и технологии. 2023. Т. 16. № 2. С. 187–197. EDN IXBHRM.
  26. Deep K., Singh K.P., Kansal M.L., Mohan C. A real coded genetic algorithm for solving integer and mixed integer optimization problems // Applied Mathematics and Computation. 2009. Vol. 212. Issue 2. Pp. 505–518. doi: 10.1016/j.amc.2009.02.044

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».