Tổng quan nghiên cứu

Tiêu thụ năng lượng trong các tòa nhà chiếm khoảng 40% tổng năng lượng toàn cầu và đóng góp tới 36% lượng khí thải CO2, theo báo cáo của Chương trình Môi trường Liên Hợp Quốc. Ở Việt Nam, mức tiêu thụ năng lượng sơ cấp đã tăng từ khoảng 43 triệu tấn dầu quy đổi năm 1997 lên 75,3 triệu tấn năm 2017, với ngành công nghiệp chiếm 43%, khu dân cư 29,6% và giao thông vận tải 22,7%. Trong đó, hệ thống sưởi ấm, thông gió và điều hòa không khí (HVAC) chiếm gần một nửa mức tiêu thụ năng lượng trong tòa nhà. Việc sử dụng năng lượng chủ yếu dựa trên nhiên liệu hóa thạch gây ra các tác động tiêu cực đến môi trường và làm cạn kiệt nguồn tài nguyên.

Nghiên cứu này tập trung vào tối ưu hóa mức tiêu thụ năng lượng và sự tiện nghi nhiệt của hệ thống HVAC trong tòa nhà tại Thành phố Hồ Chí Minh bằng cách ứng dụng mạng Nơ-ron nhân tạo (ANN) kết hợp với thuật toán Sói xám (GWO). Mục tiêu cụ thể là giảm thiểu mức tiêu thụ năng lượng hàng năm và tỷ lệ người không hài lòng (PPD) về tiện nghi nhiệt, đồng thời so sánh hiệu quả của phương pháp GWO-ANN với các thuật toán tối ưu hóa truyền thống như thuật toán di truyền đa mục tiêu (MOGA). Phạm vi nghiên cứu bao gồm hệ thống làm lạnh thể tích không khí thay đổi (VAV) và hệ thống không khí ngoài trời chuyên dụng (DOAS) trong các tòa nhà văn phòng và giáo dục tại Việt Nam và khu vực Đông Nam Á.

Ý nghĩa nghiên cứu không chỉ nằm ở việc nâng cao hiệu quả sử dụng năng lượng, giảm phát thải khí nhà kính mà còn góp phần cải thiện chất lượng môi trường trong nhà, từ đó nâng cao sức khỏe và sự hài lòng của người sử dụng. Kết quả nghiên cứu có thể hỗ trợ các nhà quản lý tòa nhà trong việc thiết kế và vận hành hệ thống HVAC hiệu quả hơn, đồng thời mở ra hướng phát triển mới cho các phương pháp tối ưu hóa đa mục tiêu trong lĩnh vực quản lý xây dựng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết và mô hình chính:

  1. Mạng Nơ-ron nhân tạo (Artificial Neural Network - ANN):
    ANN là mô hình học máy mô phỏng cấu trúc và chức năng của bộ não con người, gồm các lớp đầu vào, lớp ẩn và lớp đầu ra. Mạng perceptron nhiều lớp (MLP) được sử dụng để xây dựng mối quan hệ phi tuyến tính giữa các biến quyết định (như nhiệt độ cài đặt, độ ẩm, thông số cấu trúc tòa nhà) và các hàm mục tiêu (mức tiêu thụ năng lượng và PPD). Hàm truyền sử dụng là hàm Tangent (Tanh), giúp mạng học các mẫu phức tạp trong dữ liệu. Độ chính xác của mô hình được đánh giá bằng chỉ số RMSE.

  2. Thuật toán Sói xám (Grey Wolf Optimizer - GWO):
    GWO là thuật toán tối ưu metaheuristic mô phỏng hành vi săn mồi và hệ thống phân cấp xã hội của loài sói xám, gồm các cấp bậc Alpha, Beta, Delta và Omega. Thuật toán sử dụng các bước bao vây, săn bắt, tấn công và tìm kiếm con mồi để cập nhật vị trí các giải pháp trong không gian tìm kiếm, cân bằng giữa khai thác và thăm dò nhằm tránh rơi vào cực tiểu cục bộ. GWO có ưu điểm là ít tham số, dễ sử dụng và hội tụ nhanh.

Các khái niệm chuyên ngành quan trọng bao gồm:

  • Hệ thống HVAC: Hệ thống sưởi ấm, thông gió và điều hòa không khí trong tòa nhà.
  • VAV (Variable Air Volume): Hệ thống làm lạnh thể tích không khí thay đổi.
  • DOAS (Dedicated Outdoor Air System): Hệ thống không khí ngoài trời chuyên dụng.
  • PPD (Percentage of People Dissatisfied): Tỷ lệ người không hài lòng về tiện nghi nhiệt.
  • PMV (Predicted Mean Vote): Chỉ số dự đoán cảm nhận nhiệt độ của người sử dụng.
  • Tối ưu hóa đa mục tiêu: Phương pháp tối ưu đồng thời nhiều hàm mục tiêu, trong nghiên cứu là tiêu thụ năng lượng và tiện nghi nhiệt.

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ hai trường hợp nghiên cứu (case study) tại khu vực Đông Nam Á và Việt Nam, bao gồm dữ liệu vận hành thực tế và mô phỏng bằng phần mềm IESVE. Tổng cộng 350 bộ dữ liệu được tạo ra bằng phương pháp lấy mẫu siêu khối Latin, mô phỏng các điều kiện vận hành khác nhau của hệ thống HVAC.

Phương pháp phân tích gồm:

  • Huấn luyện mạng ANN để xây dựng mô hình dự đoán mức tiêu thụ năng lượng và PPD dựa trên các biến quyết định.
  • Áp dụng thuật toán GWO để tìm kiếm các biến thiết kế tối ưu nhằm giảm thiểu hai hàm mục tiêu trên.
  • So sánh kết quả với các thuật toán tối ưu hóa truyền thống như MOGA và kết quả thực tế của tòa nhà.

Timeline nghiên cứu kéo dài từ tháng 9/2022 đến tháng 6/2023, với các bước chính: thu thập dữ liệu, xây dựng mô hình ANN, tối ưu hóa bằng GWO, phân tích kết quả và so sánh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả tối ưu hóa đa mục tiêu:
    Thuật toán GWO-ANN đã giảm mức tiêu thụ năng lượng hàng năm của hệ thống HVAC từ mức cơ sở khoảng 26,46 kWh/m² xuống còn khoảng 23,71 kWh/m² trong case study 1, tương đương giảm khoảng 10,4%. Đồng thời, tỷ lệ PPD giảm từ 33% xuống còn 28%, cải thiện sự tiện nghi nhiệt cho người sử dụng.

  2. So sánh với thuật toán truyền thống:
    So với thuật toán di truyền đa mục tiêu (MOGA), GWO-ANN cho thấy tốc độ hội tụ nhanh hơn khoảng 20%, đồng thời đạt được giải pháp tối ưu với mức tiêu thụ năng lượng thấp hơn trung bình 5%. Thời gian tính toán giảm từ vài tuần xuống còn khoảng 117 giờ cho toàn bộ mô phỏng.

  3. Ứng dụng thực tế tại Việt Nam:
    Trong case study 2, áp dụng GWO-ANN vào tòa nhà văn phòng Lim Tower 3, mức tiêu thụ năng lượng được tối ưu giảm khoảng 8% so với thiết kế thực tế, trong khi PPD giảm từ 35% xuống còn 30%. Kết quả này chứng minh tính khả thi và hiệu quả của phương pháp trong điều kiện khí hậu và vận hành thực tế tại Việt Nam.

  4. Tác động của các biến quyết định:
    Các biến như nhiệt độ cài đặt bộ ổn định nhiệt (22-26°C), độ ẩm tương đối (60-70%), và thông số cấu trúc vỏ tòa nhà (U-Value cửa sổ và tường) có ảnh hưởng lớn đến mức tiêu thụ năng lượng và tiện nghi nhiệt. Việc điều chỉnh hợp lý các biến này giúp cân bằng giữa tiết kiệm năng lượng và sự hài lòng của người dùng.

Thảo luận kết quả

Nguyên nhân chính của hiệu quả tối ưu hóa là sự kết hợp giữa khả năng mô hình hóa phi tuyến của ANN và khả năng tìm kiếm toàn cục của GWO, giúp tránh được các cực tiểu cục bộ thường gặp trong các thuật toán truyền thống. Kết quả phù hợp với các nghiên cứu trước đây về ứng dụng ANN và GWO trong kỹ thuật, đồng thời vượt trội hơn về tốc độ và độ chính xác.

Biểu đồ so sánh mức tiêu thụ năng lượng và PPD giữa các phương pháp tối ưu hóa có thể minh họa rõ ràng sự cải thiện của GWO-ANN. Bảng tổng hợp kết quả cho thấy sự giảm đáng kể trong cả hai hàm mục tiêu, đồng thời thời gian tính toán được rút ngắn đáng kể.

Ý nghĩa của nghiên cứu không chỉ nằm ở việc giảm chi phí vận hành và phát thải khí nhà kính mà còn nâng cao chất lượng môi trường trong nhà, góp phần cải thiện sức khỏe và năng suất làm việc của người sử dụng tòa nhà.

Đề xuất và khuyến nghị

  1. Áp dụng rộng rãi phương pháp GWO-ANN trong quản lý vận hành tòa nhà:
    Khuyến nghị các đơn vị quản lý tòa nhà tại Việt Nam và khu vực Đông Nam Á áp dụng phương pháp này để tối ưu hóa hệ thống HVAC, giảm tiêu thụ năng lượng và nâng cao tiện nghi nhiệt trong vòng 1-2 năm tới.

  2. Đào tạo và nâng cao năng lực chuyên môn cho cán bộ kỹ thuật:
    Tổ chức các khóa đào tạo về mạng nơ-ron nhân tạo và thuật toán tối ưu hóa metaheuristic cho kỹ sư vận hành và quản lý tòa nhà nhằm đảm bảo vận hành hiệu quả và khai thác tối đa lợi ích của công nghệ mới.

  3. Phát triển phần mềm tích hợp mô phỏng và tối ưu hóa:
    Đề xuất các nhà phát triển phần mềm xây dựng công cụ tích hợp ANN và GWO với phần mềm mô phỏng tòa nhà như IESVE để tự động hóa quá trình tối ưu hóa, giảm thời gian và chi phí nghiên cứu.

  4. Nghiên cứu mở rộng cho các hệ thống HVAC phức hợp khác:
    Khuyến khích nghiên cứu tiếp tục áp dụng và điều chỉnh phương pháp cho các hệ thống HVAC đa chức năng, bao gồm hệ thống năng lượng tái tạo và lưu trữ năng lượng, nhằm nâng cao hiệu quả tổng thể của tòa nhà trong vòng 3-5 năm tới.

Đối tượng nên tham khảo luận văn

  1. Các nhà quản lý tòa nhà và vận hành hệ thống HVAC:
    Có thể áp dụng kết quả nghiên cứu để thiết kế và điều chỉnh chiến lược vận hành nhằm giảm chi phí năng lượng và nâng cao sự hài lòng của người sử dụng.

  2. Chuyên gia và kỹ sư trong lĩnh vực quản lý xây dựng và kỹ thuật môi trường:
    Tham khảo phương pháp tối ưu hóa đa mục tiêu kết hợp ANN và GWO để phát triển các giải pháp kỹ thuật tiên tiến cho các dự án xây dựng xanh và bền vững.

  3. Nhà nghiên cứu và sinh viên ngành kỹ thuật xây dựng, quản lý xây dựng:
    Sử dụng luận văn như tài liệu tham khảo về ứng dụng trí tuệ nhân tạo và thuật toán metaheuristic trong tối ưu hóa hệ thống tòa nhà, đồng thời phát triển các nghiên cứu tiếp theo.

  4. Các nhà hoạch định chính sách và tổ chức phát triển bền vững:
    Tham khảo kết quả để xây dựng các chính sách khuyến khích áp dụng công nghệ tiết kiệm năng lượng trong xây dựng, góp phần giảm phát thải khí nhà kính và bảo vệ môi trường.

Câu hỏi thường gặp

  1. Phương pháp GWO-ANN là gì và tại sao lại hiệu quả trong tối ưu hóa hệ thống HVAC?
    GWO-ANN kết hợp mạng nơ-ron nhân tạo để mô hình hóa mối quan hệ phi tuyến giữa biến đầu vào và đầu ra, cùng thuật toán Sói xám để tìm kiếm giải pháp tối ưu toàn cục. Phương pháp này giúp tăng tốc độ hội tụ và tránh rơi vào cực tiểu cục bộ, hiệu quả hơn các thuật toán truyền thống.

  2. Nghiên cứu áp dụng vào loại tòa nhà nào?
    Nghiên cứu tập trung vào các tòa nhà văn phòng và giáo dục tại khu vực Đông Nam Á, đặc biệt là Thành phố Hồ Chí Minh, với hệ thống HVAC phức hợp gồm VAV và DOAS.

  3. Làm thế nào để đánh giá sự tiện nghi nhiệt trong nghiên cứu?
    Sự tiện nghi nhiệt được đánh giá bằng tỷ lệ người không hài lòng (PPD) và chỉ số dự đoán cảm nhận nhiệt độ (PMV), dựa trên các tiêu chuẩn ASHRAE và mô hình của Fanger.