Συντάχθηκε 02-10-2023 14:17
Ενημερώθηκε:
02-10-2023 14:36
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 04/10/2023 13:00
Λήξη: 04/10/2023 14:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΣΑΒΒΟΥΛΑ ΖΑΡΚΑΔΑ
με θέμα
Μελέτη της Ενεργειακής Αποδοτικότητας με βάση την Υπέρυθρη Επιθεώρηση από μη Επανδρωμένα Αεροσκάφη
Study of Energy Building Efficiency based on Inframed Inspection by Unmanned Aerial Vehicles
Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Σταυρακάκης (Επιβλέπων)
Αναπληρωτής Καθηγητής Φώτιος Κανέλλος
Δρ Ελευθερία Σεργάκη (ΕΔΙΠ)
Περίληψη
Η θερμογραφία αποτελεί μια πολύτιμη μέθοδο διαγνωστικής εξέτασης στο πεδίο της ενεργειακής απόδοσης των κτιρίων. Με τη χρήση υπερύθρων καμερών, είναι δυνατό να εντοπίσουμε και να ποσοτικοποιήσουμε τις απώλειες θερμότητας μέσω των δομικών στοιχείων των κτιρίων. Αυτό μας βοηθά να προσδιορίσουμε τις περιοχές όπου εμφανίζονται προβλήματα, όπως θερμογέφυρες ή κακή μόνωση, και να εφαρμόσουμε τις κατάλληλες επεμβάσεις για την αντιμετώπισή τους. Η παρούσα έρευνα επικεντρώνεται στην ανάλυση της ενεργειακής απόδοσης κτιρίων με τη χρήση παθητικής θερμογραφίας και ειδικότερα της υπέρυθρης επιθεώρησης, μιας τεχνικής που επιτρέπει τη μέτρηση της θερμοκρασίας επιφανειών μέσω της ανίχνευσης της υπέρυθρης ακτινοβολίας που εκπέμπουν τα αντικείμενα. Η θερμογραφία παρέχει μια εικόνα των θερμοκρασιακών προφίλ και μπορεί να αποκαλύψει περιοχές με ασυνήθιστη θερμότητα ή ψύχρα σε επιφάνειες επιτρέποντάς μας να εντοπίσουμε έτσι αποκλίσεις, ελλείψεις ή ακόμα και προβλήματα που σχετίζονται με την ενεργειακή συμπεριφορά ενός κτιρίου. Στην περίπτωσή μας, εφαρμόζουμε δύο ειδικές μεθόδους έρευνας συνδυαστικά: τις "Automated fly-past surveys" και τις "Time-lapse surveys". Συγκεκριμένα, λάβαμε 104 φωτογραφίες σε διάστημα δύο ημερών, σε περιόδους 15 λεπτών, επιτρέποντάς μας να παρακολουθήσουμε τις διακυμάνσεις στη θερμοκρασία του κτιρίου και να εντοπίσουμε πιθανές ανωμαλίες.
Η ερευνητική μελέτη που πραγματοποιείται χρησιμοποιεί έναν κώδικα που αναλύει εικόνες από θερμοκάμερες και ανιχνεύει ασυνήθιστες περιοχές με υπερβολικά θερμή ή ψυχρή θερμοκρασία. Αυτό επιτυγχάνεται μέσωτηςμεθόδου επιβλεπόμενης μάθησης, όπου ένα μοντέλο Convolutional Neural Network (CNN) εκπαιδεύεται να αναγνωρίζει αυτές τις ασυνήθιστες περιοχές στις εικόνες. Επομένως συνδυάζει και ποιοτική και ποσοτική ανάλυση. Ο κώδικας αυτός επίσης χρησιμοποιεί μεθόδους υπερδειγματοληψίας και υποδειγματοληψίας για να αντιμετωπίσει την ανισορροπία των κλάσεων στο σύνολο δεδομένων, ετικέτες (labels) που περιγράφουν τις περιοχές στις εικόνες, καθώς και ένα συνδυασμό διαφόρων τεχνικών βελτίωσης που επηρεάζουν την απόδοση των CNNs. Αυτές οι μέθοδοι είναι η Data Augmentation, η Dropout, το Stratified_split τα callbacks. Κατά τη διάρκεια της εκπαίδευσης, το μοντέλο CNN εκπαιδεύεται να μάθει τα χαρακτηριστικά των ασυνήθιστων περιοχών, προκειμένου να τις αναγνωρίζει αποτελεσματικά. Επιπλέον, ο κώδικας περιλαμβάνει μια διαδικασία αξιολόγησης της απόδοσης του μοντέλου στο σύνολο ελέγχου. Με βάση την απόδοση αυτή, το καλύτερο μοντέλο αποθηκεύεται για μελλοντική χρήση. Αυτό επιτρέπει τη συνεχή βελτίωση της ακρίβειας και της αποτελεσματικότητας του μοντέλου. Τέλος, αξιολογούνται τα μοντέλα πρόβλεψης και αναλύονται οι αποφάσεις που πρέπει να παρθούν για την ομαλή λειτουργία των κτιρίων.
Συνολικά, η έρευνα αυτή αποτελεί μια σημαντική συνεισφορά στον τομέα της ενεργειακής απόδοσης κτιρίων. Η συνδυασμένη προσέγγιση της θερμογραφίας και της μηχανικής μάθησης μπορεί να οδηγήσει σε βελτιωμένες μεθόδους διαχείρισης ενέργειας, προωθώντας την επίτευξη πιο βιώσιμων και αποδοτικών κτιριακών συστημάτων. Αυτή η προσέγγιση μπορεί να βοηθήσει στον εντοπισμό προβλημάτων, ανωμαλιών και ελλείψεων που σχετίζονται με την ενέργεια στα κτίρια, προάγοντας την υγεία και την αποδοτικότητα των κτιριακών συστημάτων.
Abstract
Thermography is a valuable method of diagnostic examination in the field of energy efficiency of buildings. By using infrared cameras, it is possible to detect and quantify heat loss through the structural elements of buildings. This helps us identify areas where problems occur, such as thermal bridges or poor insulation, and implement appropriate interventions to address them. The present research focuses on the analysis of the energy performance of buildings using passive thermography and in particular infrared inspection, a technique that allows the measurement of surface temperature by detecting the infrared radiation emitted by objects. Thermography provides a picture of temperature profiles and can reveal areas of unusual heat or cold on surfaces allowing us to identify deviations, deficiencies or even problems related to a building's energy performance. In our case, we apply two special research methods in combination: "Automated fly-past surveys" and "Time-lapse surveys". In particular, we received 104 photos over two days, at 15-minute intervals, allowing us to monitor the fluctuations in the building's temperature and identify potential anomalies.
The research study being carried out uses a code that analyzes images from thermal cameras and detects unusual areas of excessively hot or cold temperature. This is achieved through the supervised learning method, where a Convolutional Neural Network (CNN) model is trained to recognize these unusual regions in the images. It therefore combines both qualitative and quantitative analysis. This code also uses oversampling and undersampling methods to deal with the imbalance of classes in the dataset, labels that describe regions in images, and a combination of various enhancement techniques that affect the performance of CNNs. These methods are Data Augmentation, Dropout, Stratified_split and callbacks. During training, the CNN model is trained to learn the features of unusual regions in order to recognize them effectively. In addition, the code includes a procedure to evaluate the performance of the model on the control set. Based on this performance, the best model is saved for future use. This allows for continuous improvement of the accuracy and efficiency of the model. Finally, the prediction models are evaluated and the decisions that must be made for the smooth operation of the buildings are analyzed.
Overall, this research is an important contribution to the field of building energy performance. The combined approach of thermography and machine learning can lead to improved methods of energy management, promoting the achievement of more sustainable and efficient building systems. This approach can help identify energy-related problems, anomalies and deficiencies in buildings, promoting the health and efficiency of building systems.
