[论文解读] Convolutional versus Dense Neural Networks: Comparing the Two Neural Networks Performance in Predicting Building Operational Energy Use Based on the Building Shape
本研究比较了密集神经网络（DNN）与卷积神经网络（CNN）在基于建筑形状预测建筑运行能耗方面的表现。以建筑几何形状作为输入，DNN在准确性、训练速度和简洁性方面优于CNN，尽管CNN通过基于图像的表示提供了视觉可解释性。
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.
研究动机与目标
- 评估DNN与CNN在基于建筑形状预测建筑运行能耗方面的性能。
- 评估在能耗预测中模型准确性、计算效率与可解释性之间的权衡。
- 探索深度学习模型在支持早期建筑方案设计决策中的潜力。
- 确定尽管性能较低，基于图像的CNN是否在设计沟通方面具有优势。
提出的方法
- 输入数据由建筑形状几何信息构成，转换为CNN的2D表示形式，以及DNN的向量化特征。
- 使用全连接层、ReLU激活函数和Dropout正则化训练DNN，以防止过拟合。
- CNN通过2D卷积层、池化层和全连接层实现，用于处理形状图像。
- 两个模型均在建筑形状及其对应运行能耗值的模拟数据集上进行训练。
- 使用均方误差（MSE）和决定系数（R-squared）评估模型性能，报告无量纲MSE值。
- 记录训练和推理时间，以比较计算效率。
实验结果
研究问题
- RQ1DNN与CNN在基于形状预测建筑运行能耗方面表现如何比较？
- RQ2在相同输入数据下，哪种模型架构能实现更高的预测准确性？
- RQ3DNN与CNN在训练和推理速度方面有何差异？
- RQ4尽管性能较低，基于图像的CNN是否能增强设计沟通？
- RQ5建筑几何形状与形状特征如何影响能耗预测结果？
主要发现
- DNN模型在均方误差（MSE）指标上表现优于CNN模型，显示出更高的预测准确性。
- DNN模型在训练和推理时间上均更快，表明其具有更好的计算效率。
- DNN实现更简单，所需超参数更少，优于CNN。
- 尽管性能较低，CNN模型通过将建筑形状作为图像处理，提供了视觉可解释性，有助于设计沟通。
- 经过校正的无量纲MSE值证实了性能比较的稳健性。
- 两个模型均有效，但DNN因其准确性与速度的平衡，更适合实际能耗预测任务。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。