Применение больших данных для оптимизации энергопотребления и экологических показателей строительной техники: модели и практические решения
Как цитировать
Аннотация
Исследование посвящено комплексному анализу потенциала технологий больших данных в оптимизации энергопотребления и экологических показателей строительной техники. В работе представлена интегративная модель управления энергоэффективностью строительных машин на основе многопараметрического анализа эксплуатационных характеристик. Методология исследования базируется на применении алгоритмов машинного обучения к массивам телеметрических данных, собранных с 128 единиц строительной техники в реальных условиях эксплуатации на протяжении 24 месяцев. Эмпирически установлено, что внедрение предложенной модели позволяет достичь снижения энергопотребления на 17,8% при одновременном сокращении выбросов CO₂ на 22,3% без потери производительности. Выявлены корреляционные зависимости между режимами эксплуатации техники и ключевыми экологическими индикаторами с коэффициентом детерминации R²=0,83. Разработан алгоритм прогнозирования ресурсного состояния оборудования с точностью до 91,7%, что обеспечивает превентивное техническое обслуживание и минимизацию экологических рисков. Результаты исследования имеют значительную практическую ценность для строительной отрасли и демонстрируют перспективы интеграции технологий больших данных в систему управления энергоэффективностью и экологической безопасностью строительных процессов.
Ключевые слова
Библиографические ссылки
Arambula-Lara R., Perea-Moreno A.J., Salmerón-Manzano E. Machine Learning Techniques Focusing on the Energy Performance of Buildings: A Dimensions and Methods Analysis // Buildings. 2022. № 12(1). Р. 28.
Elhaby M., Khalifa M., Bitar I.E. Machine learning algorithms for predicting energy consumption in educational buildings // International journal of energy research. 2024.рр. 681-2425.
Himeur Y., Elnour M., Fadli F. AI-Big Data analytics for building automation and management systems: a survey, actual challenges and future perspectives // Artificial intelligence review. 2022. pp. 1-59.
Lei F., Hu P. Energy consumption prediction by using machine learning for smart building: Case study in Malaysia // Developments in the built environment. 2020. № 3.рр. 34-100.
Lu Y., Zhang J. Bibliometric analysis and critical review of the research on big data in the construction industry // Engineering, construction and architectural management. 2022. № 29(9). рр. 3574-3592.
Marinakis V. Big Data for energy management and energy-efficient buildings // Energies. 2020. № 13(7). рр. 15-55.
Miliс V. Next-generation data center energy management: a data-driven decision-making framework // Frontiers in energy research. 2024. № 12. рр. 358-1449.
Nikbakht N.S., Hosseini S., Motamed M. Novel approach to energy consumption estimation in smart homes: application of data mining and optimization techniques // Frontiers in energy research. 2024. № 12. рр. 1361803.
Perovic M., Klimenta D. Predicting energy consumption in residential buildings using advanced machine learning algorithms // Energies. 2023. № 16(9). рр. 37-48.
Puksec J., Kirac M. A Review of energy-efficient and sustainable construction scheduling supported with optimization tools // Energies. 2022. № 15(7). рр. 2330.
Sarswatula S.A., Pugh T., Prabhu V. Modeling energy consumption using machine learning // Frontiers in manufacturing technology. 2022. № 2. рр. 208-855.
Seyedzadeh S., Rahimian F.P., Glesk I., Roper M. Machine learning for estimation of building energy consumption and performance: a review // Visualization in еngineering. 2018. № 6(1). рр. 1-20.
Yesilyurt H., Dokuz Y., Dokuz A.S. Data-driven energy consumption prediction of a university office building using machine learning algorithms // Energy. 2024. № 283. рр. 130-184.
Yu Y., Lin J., Kim S.K. A holistic review of building energy efficiency and reduction based on Big Data // Sustainability. 2021. № 13(4). рр. 22-73.
Zhan S., Chong A., O'Neill Z. Interpretable machine learning for building energy management: A state-of-the-art review // Artificial intelligence review. 2023. № 1. 21-100.