据美国能源部称，美国低收入家庭承受的能源负担是普通家庭的三倍。总共有超过4600万个美国家庭承受着沉重的能源负担，这意味着他们将总收入的6%以上用于家庭制冷和供暖等基本能源费用。
自然通风等被动设计元素可以在减少能源消耗方面发挥关键作用。通过利用阳光和风等环境能源，他们可以以很少的成本或免费创造一个更舒适的环境。然而，有关被动式设计的数据很少，因此很难大规模评估节能效果。
为了满足这一需求，圣母大学的跨学科专家团队与马里兰大学和犹他大学的教师合作，找到了一种使用人工智能来分析家庭的被动设计特征并预测其能源的方法费用准确率超过74%。
通过将研究结果与包括贫困水平在内的人口数据相结合，研究人员创建了一个综合模型，用于预测芝加哥大都市区1,402个人口普查区和近300,000个家庭的能源负担。他们的研究发表在本月的《建筑与环境》杂志上。
建筑学院负责研究、学术和创意工作的副院长胡明表示，研究结果为政策制定者和城市规划者提供了宝贵的见解，使他们能够确定最脆弱的社区，并为建设智慧和可持续城市铺平道路。
胡说：“当家庭买不起空调或暖气时，可能会导致严重的健康风险。”“气候变化只会加剧这些风险，预计气候变化将增加极端温度事件的频率和强度。迫切需要找到低成本、低技术的解决方案，以帮助减轻能源负担并帮助家庭做好准备并适应我们不断变化的气候。”
除了工程学院兼任副教授胡之外，圣母大学的研究团队还包括计算机科学与工程教授王朝利;姚思源，计算机科学与工程系博士生;SiavashGhorbany，土木与环境工程与地球科学系博士生;MatthewSisk，露西家庭数据与社会研究所的实践副教授。
他们的研究重点是被动设计中三个最有影响力的因素：住宅窗户的尺寸、窗户的类型(可操作的或固定的)以及具有适当遮阳的建筑物的百分比。
该团队使用卷积神经网络分析了芝加哥住宅楼的谷歌街景图像，然后执行不同的机器学习方法来找到最佳的预测模型。他们的结果表明，被动设计特征与平均能源负担相关，并且对于预测模型至关重要。
“减轻低收入家庭能源负担的第一步是更好地了解这个问题，并能够衡量和预测它，”戈尔巴尼说。“因此，我们问，“如果我们可以使用谷歌街景等日常工具和技术，结合机器学习的力量来收集这些信息，会怎么样?”我们希望这将是美国迈向能源正义的积极一步”。
由此产生的模型易于扩展，并且比以前的能源审计方法更有效，以前的能源审计方法需要研究人员在一个区域中逐栋建筑。
在接下来的几个月中，该团队将与圣母大学公民创新中心合作，评估当地南本德和埃尔克哈特社区的住宅。西斯克说，能够使用这种模型快速有效地向可以帮助当地家庭的组织提供信息是这项工作令人兴奋的下一步。
“当能源负担增加时，这些钱从哪里被拿走了?是从教育机会或营养食品中拿走的吗?随着时间的推移，这是否会导致人们变得更加被剥夺权利?”西斯克说道。“当我们审视贫困等系统性问题时，没有任何一件事可以解决它。但是，当我们可以拉动一根线索，当有可行的步骤可以开始让情况变得更好时，那就真的很强大了。”
研究人员还致力于在分析中纳入额外的被动设计特征，例如隔热、凉爽屋顶和绿色屋顶。最终，他们希望扩大该项目的规模，以评估和解决国家层面的能源负担差异。
对于胡来说，该项目象征着大学对可持续发展和帮助有需要的世界的承诺。
“这是一个环境正义的问题。这就是我们在圣母大学做得很好的事情——也是我们应该做的，”她说。“我们希望利用人工智能和机器学习等先进技术，不仅因为它们是尖端技术，而且是为了共同利益。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！