[論文レビュー] Convolutional versus Dense Neural Networks: Comparing the Two Neural Networks Performance in Predicting Building Operational Energy Use Based on the Building Shape

Farnaz Nazari, Wei Yan|arXiv (Cornell University)|Aug 29, 2021

Building Energy and Comfort Optimization参考文献 40被引用数 4

ひとこと要約

本研究では、建物の形状を入力として建物運用エネルギー消費を予測するためのDense Neural Networks（DNN）とConvolutional Neural Networks（CNN）を比較した。建築幾何学的形状を入力とすることで、DNNは精度、学習速度、シンプルさの面でCNNを上回ったが、CNNは画像ベースの表現により視覚的解釈可能性を提供した。

ABSTRACT

A building self-shading shape impacts substantially on the amount of direct sunlight received by the building and contributes significantly to building operational energy use, in addition to other major contributing variables, such as materials and window-to-wall ratios. Deep Learning has the potential to assist designers and engineers by efficiently predicting building energy performance. This paper assesses the applicability of two different neural networks structures, Dense Neural Network (DNN) and Convolutional Neural Network (CNN), for predicting building operational energy use with respect to building shape. The comparison between the two neural networks shows that the DNN model surpasses the CNN model in performance, simplicity, and computation time. However, image-based CNN has the benefit of utilizing architectural graphics that facilitates design communication.

研究の動機と目的

• 建物の形状に基づいて建物運用エネルギー消費を予測するDNNとCNNの性能を評価すること。
• エネルギー予測におけるモデルの精度、計算効率、解釈可能性のトレードオフを評価すること。
• 深層学習モデルが初期段階の建築設計意思決定を支援する可能性を探ること。
• 画像ベースのCNNが性能に劣るものの、設計コミュニケーションにおいて利点を提供するかどうかを特定すること。

提案手法

• 入力データは建物形状の幾何学的形状であり、CNN用に2次元表現に変換され、DNN用にベクトル化された特徴量に変換された。
• DNNは、過学習を防ぐためにReLU活性化関数とドロップアウト正則化を用いた全結合層で学習された。
• CNNは、2次元畳み込み層、プーリング層、全結合層を用いて形状画像を処理する形で実装された。
• 両モデルは、建物形状とその対応する運用エネルギー消費値（シミュレーションから得た）のデータセットを用いて学習された。
• モデルの性能は平均二乗誤差（MSE）と決定係数（R-squared）の指標で評価され、単位なしのMSE値が報告された。
• 計算効率を比較するため、学習時間と推論時間の両方が記録された。

実験結果

リサーチクエスチョン

• RQ1 DNNとCNNモデルは、形状に基づいた建物運用エネルギー消費の予測においてどのように比較されるか？
• RQ2 同じ入力データに対して、どのモデルアーキテクチャがより高い予測精度を達成するか？
• RQ3 DNNとCNNモデルの間で、学習および推論速度にどのような差があるか？
• RQ4 性能が低いにもかかわらず、画像ベースのCNNは設計コミュニケーションを向上させることができるか？
• RQ5 建築幾何学的形状と形状特徴量は、エネルギー予測結果にどのように影響を与えるか？

主な発見

• DNNモデルは、より低い平均二乗誤差（MSE）を達成したため、CNNモデルよりも優れた予測精度を示した。
• DNNモデルは、より速い学習および推論時間を示し、計算効率が優れていた。
• DNNは実装がよりシンプルで、CNNよりも少ないハイパーパrameterを必要とした。
• 性能が低いにもかかわらず、CNNモデルは建物形状を画像として処理することで視覚的解釈可能性を提供し、設計コミュニケーションを支援した。
• 補正済みの単位なしMSE値は、性能比較の堅牢性を裏付けた。
• 両モデルとも有効であったが、DNNは精度と速度のバランスに優れており、実用的なエネルギー予測タスクに適していた。