MARC

 008250123s2024        us                              c    eng  d
■001000017160238
■00520250211150940
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382775203
■035    ▼a(MiAaPQ)AAI30991732
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aWang,  Xiaoshi.▼0(orcid)0009-0002-7171-9517
■24510▼aSpace  Layout  Optimization  for  Natural  Ventilation  Using  Machine  Learning  Techniques
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a178  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Malkawi,  Ali  M.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aIndoor  airflow  distribution  holds  significant  importance  in  evaluating  the  natural  ventilation  conditions  of  buildings.  Conventionally,  Computational  Fluid  Dynamics  (CFD)  is  used  for  evaluating  airflow  patterns  in  a  multizone  space  layout  during  the  early  design  phase.  While  CFD  can  provide  accurate  airflow  information,  its  adoption  requires  substantial  computational  resources  and  considerable  running  time,  which  limits  its  application  in  the  fast  pace  of  early-stage  architectural  design.  With  the  recent  rapid  advancements  in  machine  learning  techniques,  data-driven  surrogate  models  have  emerged  as  a  potential  alternative  to  CFD  solvers  for  fast  prediction  of  flow  fields.  While  delivering  promising  performance  on  generic  boundary  geometries,  machine  learning  approaches  on  multizone  indoor  airflow  are  less  explored  due  to  its  inherent  complexity  and  limited  availability  of  high-quality  datasets.This  dissertation  introduces  a  new  machine  learning  framework  designed  for  the  fast  prediction  of  CFD-generated  airflow  fields  in  multizone  space  layouts  and  the  optimization  of  space  layouts  based  on  airflow  distribution.  The  framework  consists  of  three  components:  a  data  generation  module,  an  ensemble  learning  framework,  and  a  model  predictive  optimizer.  The  data  generation  module  randomly  generates  multizone  space  layouts  and  populates  their  3D  flow  patterns  using  conventional  CFD  techniques.  The  ensemble  learning  framework  leverages  multiple  machine  learning  models  to  collectively  predict  multizone  airflow  fields,  surpassing  standard  machine  learning  approaches  in  terms  of  accuracy.  The  framework  also  demonstrates  robust  functionality  by  incorporating  physics-informed  loss  functions  and  exhibits adaptability  for  predicting  more  complex  scenarios  beyond  the  training  dataset.  The  optimizer  uses  the  framework  as  a  predictive  model  to  minimize  the  portion  of  undesired  indoor  air  velocity  with  optimal  window  positions.  Furthermore,  a  design  tool  is  implemented  using  the  methods  presented  in  this  research  to  facilitate  early-stage  natural  ventilation  design.
■590    ▼aSchool  code:  0084.
■650  4▼aFluid  mechanics
■653    ▼aArchitectural  design  optimization
■653    ▼aComputational  Fluid  Dynamics
■653    ▼aIndoor  airflow  pattern
■653    ▼aMachine  learning
■653    ▼aMultizone  space  layout
■653    ▼aNatural  ventilation
■690    ▼a0729
■690    ▼a0800
■690    ▼a0204
■71020▼aHarvard  University▼bArchitecture,  Landscape  Architecture  and  Urban  Planning.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160238▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books