記述言語：日本語   掲載種別：研究論文（学術雑誌）   出版者・発行元：日本建築学会  

DOI： 10.3130/aije.90.360

researchmap

掲載種別：研究論文（学術雑誌）  

DOI： 10.1016/j.buildenv.2025.113616

researchmap

担当区分：筆頭著者,　責任著者   掲載種別：研究論文（学術雑誌）  

DOI： 10.1016/j.buildenv.2025.113246

researchmap

掲載種別：論文集(書籍)内論文   出版者・発行元：Springer Nature Singapore  

DOI： 10.1007/978-981-97-8317-5_4

researchmap

記述言語：英語   掲載種別：研究論文（学術雑誌）  

DOI： 10.1016/j.clrc.2024.100244

researchmap

記述言語：日本語   出版者・発行元：関東学院大学大沢記念建築設備工学研究所  

To advance the intelligent management of air conditioning systems, there is a growing demand for indoor airflow prediction methods that reduce computation time compared to traditional numerical fluid dynamics (CFD) simulations. Recently, artificial neural networks (ANNs) have garnered significant attention in the industry due to their ability to learn from limited CFD data and efficiently compute numerous scenarios under varying air conditioning conditions. However, ANNs often replicate data patterns without comprehending the underlying physical phenomena, leading to potential discrepancies between predictions and actual physical realities. Physics-informed deep learning addresses this issue by integrating physical equations with data, enabling the model to produce more reliable and physically consistent predictions. This study introduces physics-informed deep learning and explores its potential applications in the architectural domain.

CiNii Books

researchmap

その他リンク： http://id.ndl.go.jp/bib/034182330

記述言語：日本語   出版者・発行元：公益社団法人 空気調和・衛生工学会  

This study combines a fast artificial neural network (ANN) based unsteady indoor environment prediction approach to an air conditioner optimization process. ANN-based optimization achieved results comparable to the CFD-based one but saved 45% of offline calculation time and 99% of online process hard disk memory.

DOI： 10.18948/shasetaikai.2024.03.0_37

researchmap

記述言語：日本語   出版者・発行元：東京大学生産技術研究所  

本研究は，深層ニューラルネットワーク（DNN）を用いた高速・高精度的な室内気流予測手法の開発を目指す．本論文では，非定常予測を対象として，境界条件の変更を考慮する場合，高効率な訓練データの選択方法を検討した．結果は，ケースあたりに出来る限り多くの時点を訓練データとして選択した方が良い．同時に，条件空間（条件変更実験事例の条件を設定することによって形成される座標空間）の内部の事例を訓練事例としてとらえる方が良い．なお，条件空間の端点と内部にあるケースを訓練ケースにすると，高効率的にDNN を訓練できることも分かった．

DOI： 10.11188/seisankenkyu.74.53

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：公益社団法人 空気調和・衛生工学会  

In this paper, deep neural network (DNN) is utilized to predict two-dimensional transient indoor temperature distribution. Two DNNs, DNN (A) and DNN (B), were applied to reveal impact of DNN construction on accuracy of the prediction. DNN (A) outputs temperature of the whole space simultaneously, while DNN (B) outputs the temperature cell by cell. The result shows DNN (B) performed much better than DNN (A).

DOI： 10.18948/shasetaikai.2021.5.0_133

researchmap

記述言語：日本語   出版者・発行元：日本建築学会  

CiNii Article

researchmap

開催年月日： 2024年10月11日

記述言語：中国語   会議種別：口頭発表（招待・特別）  

researchmap

researchmap