Khoảng cách động trong hiệu suất công trình liên quan đến hành vi người sử dụng: Khung dự đoán tác động của các yếu tố nhân quả có thể xảy ra

Khoảng cách động trong hiệu suất công trình liên quan đến hành vi người sử dụng: Khung dự đoán tác động của các yếu tố nhân quả có thể xảy ra

Dynamic building performance gap related to occupant behaviors: A framework to predict the impacts of possible causal factors

SHARE COMMENTS

1 – GIỚI THIỆU

Bài nghiên cứu nhằm phát triển một khung dự đoán để giảm thiểu Khoảng cách Hiệu suất Công trình (BPGs), bằng cách định lượng tác động của các tham số liên quan đến hành vi người sử dụng (Occupant Behavior – OB) trong các tòa nhà phi dân cư, vốn thường xuyên biến động. Khung này được thiết kế như một phần mở rộng của các công cụ mô phỏng hiệu suất công trình hiện có, cho phép lượng hóa sự sai khác do hành vi người sử dụng gây ra giữa dự đoán giai đoạn thiết kế và kết quả vận hành thực tế.

Nghiên cứu tiến hành phân tích mô phỏng chi tiết trên tám mô hình công trình chuẩn, tập trung vào ba tham số độc lập của hành vi người sử dụng: lịch sử dụng, hoạt động sử dụng và nhiệt độ đặt (setpoint temperature). Kết quả chỉ ra rằng nhiệt độ đặt là yếu tố then chốt trong xác định nhu cầu năng lượng, trong khi lịch sử dụng và hoạt động ít ảnh hưởng đến nhu cầu công suất cực đại nhưng lại tác động mạnh đến khoảng cách hiệu suất năng lượng (tới 50%) và sai lệch nhiệt độ không khí trong nhà (tới 5%).

Để giải quyết vấn đề, nhóm tác giả phát triển mô hình dự đoán neuro-fuzzy, được huấn luyện từ kết quả phân tích mô phỏng, nhằm ước lượng ảnh hưởng của từng tham số hành vi. Việc kiểm chứng trên một nghiên cứu điển hình cho thấy mô hình cải thiện 16,24% độ chính xác dự đoán năng lượng và 5% độ chính xác nhiệt độ trong nhà so với mô phỏng chuẩn.

2 – MÔ TẢ HỆ THỐNG

Khung dự đoán được xây dựng dựa trên các mô hình nguyên mẫu chuẩn từ EnergyPlus, đại diện cho năm loại hình công trình phi dân cư: văn phòng, trường học, bệnh viện, khách sạn, nhà hàng. Mỗi loại có nhiều kịch bản sử dụng để phản ánh quy mô và mẫu hành vi chiếm dụng khác nhau. Tổng cộng tám trường hợp điển hình đã được mô phỏng.

Để đảm bảo tính so sánh, dữ liệu năng lượng được chuẩn hóa thông qua chỉ số Daily Energy Use Index (DEUI), có tính đến diện tích sàn và điều kiện khí hậu (Heating Degree Days – HDD, Cooling Degree Days – CDD). Các tham số hành vi người sử dụng được chia thành ba nhóm độc lập: lịch sử dụng (occupancy schedules), hoạt động sử dụng – cường độ trao đổi chất (metabolic rate), và nhiệt độ đặt (setpoint temperature). Đây là các biến đầu vào của khung dự đoán.

Đầu ra của mô hình là khoảng cách DEUI và sai lệch nhiệt độ không khí trong nhà, cho phép đánh giá sự khác biệt giữa dự đoán và thực tế vận hành.

3 – PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu triển khai hai phương pháp phân tích độ nhạy:

OFAT (One Factor at a Time): thay đổi từng tham số riêng lẻ để quan sát tác động.

VBSA (Variance-Based Sensitivity Analysis): phương pháp toàn cục, đánh giá cả tác động đơn lẻ và tương tác của tham số.

Các dữ liệu đầu vào ngẫu nhiên cho lịch sử dụng (OD) và cường độ trao đổi chất (MR) được sinh bằng chuỗi ngẫu nhiên và Sobol. Tập dữ liệu huấn luyện bao gồm hơn 70.000 mẫu được tạo từ các kịch bản mô phỏng.

Dựa trên dữ liệu này, nhóm tác giả phát triển mô hình neuro-fuzzy, sử dụng hàm thành viên Gaussian để phân loại mức độ của tham số. Mô hình được huấn luyện nhằm dự đoán khoảng cách DEUI và nhiệt độ không khí trong nhà.

Bước xác minh được thực hiện với một mô hình “shoebox” của tòa nhà thương mại lớn đã được hiệu chỉnh theo chuẩn ASHRAE Guideline 14. Việc so sánh giữa kết quả mô phỏng chuẩn, mô phỏng ngẫu nhiên, và mô hình neuro-fuzzy cho phép đánh giá tính chính xác và độ tin cậy của khung dự đoán.

4 – KẾT QUẢ NGHIÊN CỨU

Phân tích độ nhạy cho thấy:

Nhiệt độ đặt (setpoint temperature) là tham số ảnh hưởng mạnh nhất đến nhu cầu năng lượng. Việc thay đổi từ 20°C đến 24°C dẫn đến sự biến động lớn trong DEUI và công suất cực đại.

Lịch sử dụng và hoạt động sử dụng có ảnh hưởng hạn chế đến nhu cầu cực đại nhưng gây sai khác đáng kể về DEUI (lên đến 50%) và nhiệt độ trong nhà (khoảng 0,5–1°C, tương đương 5% chênh lệch).

Các mô phỏng sử dụng phương pháp Sobol cho thấy biến động cấu trúc rõ ràng hơn, làm nổi bật tương tác giữa lịch sử dụng và hoạt động.

Mô hình neuro-fuzzy khi áp dụng cho nghiên cứu điển hình đã cải thiện độ chính xác dự đoán:

DEUI: tăng R² từ 77% lên 86%, giảm sai số trung bình từ 18,2% xuống 1,96%, tương đương cải thiện 16,24%.

Nhiệt độ trong nhà: cải thiện R² từ 65,1% lên 72%, giảm sai số cực đại từ ±27% xuống ±23,6%, tương ứng tăng độ chính xác thêm 5%.

5 – KẾT LUẬN

Nghiên cứu đã phát triển một khung dự đoán dựa trên mô hình neuro-fuzzy, nhằm định lượng tác động của hành vi người sử dụng đến Khoảng cách Hiệu suất Công trình (BPG). Kết quả chỉ ra rằng nhiệt độ đặt là tham số quyết định trong thiết kế, trong khi lịch và hoạt động sử dụng gây biến động đáng kể về hiệu suất năng lượng và chất lượng môi trường trong nhà.

Khung đề xuất cho phép tích hợp vào quy trình mô phỏng hiện có, bổ sung lớp dự đoán dựa trên hành vi người sử dụng để điều chỉnh sai khác giữa thiết kế và vận hành. Kết quả chứng minh rằng mô hình có thể giảm đáng kể sai lệch trong dự báo năng lượng (từ 18,2% xuống 1,96%) và cải thiện độ chính xác dự báo nhiệt độ trong nhà.

Tuy nhiên, ứng dụng hiện tại còn giới hạn ở các phân tích mô phỏng và năm loại hình công trình. Nghiên cứu tiếp theo cần mở rộng sang nhiều dạng kiến trúc, điều kiện khí hậu và tích hợp với dữ liệu theo thời gian thực (digital twins) để nâng cao tính ứng dụng và khả năng khái quát.