Riccardo Messina
Analysis of transfer learning frameworks for thermal dynamics prediction to support the predictive management in buildings.
Rel. Alfonso Capozzoli, Giuseppe Pinto, Marco Savino Piscitelli. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Energetica E Nucleare, 2022
|
Preview |
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (52MB) | Preview |
Abstract
I crescenti consumi energetici sono causa di gravi conseguenze ambientali come il cambiamento climatico, l'inquinamento atmosferico, i quali hanno tutti un impatto significativo e negativo per l'umanità e la sopravvivenza dell'ecosistema. Il settore dell'edilizia rappresenta uno dei settori più energivori, che richiede ulteriori attenzioni al fine di ridurne l'impatto ambientale. Edifici efficienti e sostenibili sono diventati fondamentali per preservare l'ambiente e contribuiranno a ridurre la quantità complessiva di energia sfruttata negli edifici, poiché la loro inefficienza è uno dei principali fattori che contribuiscono al consumo globale di energia, alle emissioni di gas serra e, di conseguenza, al riscaldamento globale. Le tecniche di machine learning (ML) e le reti neurali profonde (DNN) sono ampiamente riconosciute come uno dei modi efficaci per ottenere i risultati desiderati nelle attività di predizione, che rappresentano un metodo praticabile per espandere l'uso di strategie di controllo avanzate per la gestione energetica degli edifici.
Tuttavia, uno dei difetti del ML è legato alla quantità e alla qualità dei dati di apprendimento, che limitano fortemente l'applicazione di modelli basati sui dati nei sistemi energetici degli edifici
Relatori
Anno Accademico
Tipo di pubblicazione
Numero di pagine
Corso di laurea
Classe di laurea
Aziende collaboratrici
URI
![]() |
Modifica (riservato agli operatori) |
