Otapanje amonijačnih isparivača metodom potpune kondenzacije toplog gasa

Apstrakt

Potrošnja energije u sektoru zgradarstva predstavlja značajan procenat ukupne primarne energije koja se u većini zemalja troši zbog potrošnje sistema klimatizacije, grijanja i hlađenja. Smanjenje povezane potrošnje energije uz održavanje ugodnih uslova u zgradama konfliktni su ciljevi i predstavljaju tipičan problem optimizacije koji zahtjeva inteligentno projektovanje sistema. Takođe, potrebne su i preciznije i brže metode za otkrivanje i dijagnostiku kvarova tih sistema. Metode vještačke inteligencije i mašinskog učenja imaju veliki potencijal u tom pogledu, posebno sa razvojem informacionih tehnologija i senzorske opreme, omogućavajući pristup velikim količinama visokokvalitetnih podataka. Bez obzira na to, mašinsko učenje još nije potpuno prihvaćeno u industriji. U radu je dat prikaz nekih metoda mašinskog učenja koje se mogu koristiti u sistemima klimatizacije, grijanja i hlađenja, a te metode se klasifikuju na nadgledano, nenadgledano i podržano učenje. U nastavku je dat literaturni pregled metoda i modela zasnovanih na mašinskom učenju za poboljšanje optimizacije i kontrole u pomenutim sistemima, kao i mogućnosti primjene u oblasti otkrivanja i dijagnostike kvarova. Prikazane su prednosti i nedostaci metoda mašinskog učenja i date neke smjernice za dalji tok istraživanja u ovoj oblasti.