Termodinamik | Nisan-2022 | Sayı: 356

değişkenlerden etkilendiğini unutmamak gerekir. Sorgulama her beş dakikada bir yapılacak şekilde ayarlandığında, algoritmanın hem çalışacak az verisi olacak hem de değerli veriyi kaçırma potansiyeli artacaktır. Tamamlanmamış veri riski nasıl azaltılır? Yaygın bir BACnet MS/TP altyapısı olan bir binanın sorgulama süresi her 30 saniyede bir seviyesine düşürülemez. Bu sorunun üstesinden gelme ile ilgili bir alternatif, sorgulama süresini sürekli olarak veri depolayarak ve algoritmaları tüm mevsimler boyunca koruyarak sorgulama süresini mümkün olduğunca düşürmektir. Yeni bir tasarımda, tamamı BACnet internet iletişim protokolünü baz alan bir ağ kurmak, akıllı bina çözümleri için gerekli olan ağ hızı seviyelerine ulaşmayı mümkün kılabilir (Şekil 5). Yani, kontrol cihazları ile diğer kontrol cihazları veya yönlendiriciler arasındaki kablolamanın Ethernet tipi olması ve MS/TP çift bükümlü kablo olmamasıdır. Veri Toplama Mühendislerin, bina sahiplerinin, tesis müdürlerinin ve bina mühendislerinin bu AI dilinde deneyimli olmadıkları göz önünde bulundurulduğunda başarılı bir ML uygulamasından kimin sorumlu olduğu sorusu akla gelmektedir. BACnet ’in BACnet bazlı bir BAS ağının bir parçası olduğunu hatırlayalım. MS/TP ağı ne kadar uzun ise, verinin bulut bazlı çözüm ile arasında transferi o kadar uzun zaman alır. Sorgulamanın minimum frekansını ağ hızı belirlemektedir ve bu frekans belli bir süre içerisinde oluşturulan veri miktarını ciddi miktarda etkiler ve potansiyel karıştırıcı faktör etksini arttırır. Bu tip bir algoritmanın ilk olarak verinin doğru şekilde eğitildiğini görmesi gereklidir. Eğer veriyi göremez ise ekstrapolasyon yapamaz. Şekil 4 çok değişkenli bir ML fonksiyonunun zaman skalasındaki grafiğini göstermektedir. Çıktı verisinin, grafikte gösterilmeyen arka plandaki başka Çeviri yeterli olmayabilir.Hava durumu verilerine dayanan bir algoritma, bu problemle karşı karşıya kalabilir. Dış ortam hava sıcaklığı, nem oranı, rüzgar yönü gibi verilerin kombinasyonu büyük bir veri kümesidir ve mevsimsel etkiye tabiidir. Hava durumu verileri kullanılarak kış mevsimi ısıtma yüklerinin tahminlenmesine kalkışıldığında, veri toplama prosesi binanın iskan durumundan dahi aksar. Bir bina için bilinçli tahminleme yapabilmek adına bir ML algoritmasına güvenmeden önce, mümkün olan tüm kombinasyonların yeterli yoğunlukta yerleştirilmesinin garanti altına alınması önem taşımaktadır. Karışıklığa neden olan faktörler adreslenmemiş: HVAC sistemlerinin performansı, bir ML algoritmasının eğitim sürecini zayıflatacak karışıklığa neden olan faktörlerle doludur. Eğitim veri setinin temiz ve sistemin fiziği ile göreceli olarak tutarlı olduğunun garanti altına alınabilmesi için bu faktörlerin göz önünde bulundurulması gereklidir. Örneğin, bir ML algoritması, uzakta konunmlandırılmış bir Klima santrali soğutma serpantininin, soğuk su besleme sıcaklığını ölçen bir sıcaklık sensörünü girdi olarak aldığında; soğutma serpantinine giriş yapan suyun sıcaklığı santral içerisinde hissedilen değerden geçici olarak fark gösterebilir. Bu durum özellikle sıcaklık ayar noktasındaki bir değişim sonrasında görülür çünkü daha soğuk veya daha sıcak olan suyun boru sisteminden geçip ısı eşanjöründeki ısı transferi gerçekleşip denge sıcaklığına ulaşana kadar belirli bir zaman alması sebebiyle ortaya çıkar. Bu süreç hatalı veri yaratır ve eğitim sürecine zarar verir. Karışıklığa neden olan faktörler eğitim verisinin, sistem ayar noktalarındakilerin aksine gerçek ölçülmüş veri kullanılması garanti altına alınarak, sensörlerin sistem boyunca anlamlı bir şekilde konuşlandırılması ve veri toplama için mantıklı zaman gecikmelerini de göz önünde bulundurarak azaltılır. Tablo 1: Bir bina otomasyon sisteminden alınan örnek trend verisi. Verilerin girdi ve çıktı olarak düzenlenmesi gereklidir ki bir yapay zeka algoritmasında eğitim gerçekleştirilebilsin. 76 TERMODİNAMİK • NİSAN 2022

RkJQdWJsaXNoZXIy OTEzMQ==