В статье рассматривается проблема оптимизации энергосбережения на этапе проектирования строительных объектов, что является ключевым моментом для повышения энергоэффективности зданий на протяжении их жизненного цикла. Жизненный цикл здания включает несколько этапов, среди которых проектирование играет центральную роль, так как именно на этом этапе закладываются основные энергетические характеристики и экономическая эффективность будущего объекта. Эксплуатация здания является наиболее энергозатратным этапом, и поэтому важно на стадии проектирования учитывать все возможные меры по снижению энергопотребления. Приводится обзор подходов к прогнозированию энергопотребления зданий, включая методы на основе физических моделей (белые ящики) и модели на основе данных (черные ящики), где для прогнозирования применяются методы машинного обучения и искусственные нейронные сети. В статье подробно описывается разработка и обучение модели искусственной нейронной сети для прогнозирования тепловых потерь через ограждающие конструкции многоквартирного жилого дома. В качестве данных для обучения использовались климатические параметры и конструктивные характеристики здания. Авторами также предлагается новое техническое решение — составные перемычки из газобетонных блоков с армированием углеродными волокнами, которые обеспечивают высокие теплозащитные свойства. Прогнозирование теплопотерь и экономическая эффективность различных вариантов конструкций были проанализированы с использованием искусственной нейронной сети. Результаты исследования показали, что применение разработанных высокоэффективных перемычек позволяет значительно снизить теплопотери и повысить экономическую эффективность здания за счет сокращения затрат на отопление. В статье также представлен механизм управления жизненным циклом объекта строительства с использованием прогнозных моделей, что позволяет проводить оптимизацию проектных решений на основе анализа данных и многовариантного подхода.
The article considers the problem of optimizing energy saving at the design stage of construction facilities, which is a key moment for improving the energy efficiency of buildings throughout their life cycle. The life cycle of a building includes several stages, among which design plays a central role, since it is at this stage that the main energy characteristics and economic efficiency of the future facility are laid down. Operation of a building is the most energy-intensive stage, and therefore it is important to consider all possible measures to reduce energy consumption at the design stage. An overview of approaches to predicting the energy consumption of buildings is provided, including methods based on physical models (white boxes) and data-based models (black boxes), where machine learning methods and artificial neural networks are used for forecasting. The article describes in detail the development and training of an artificial neural network model for predicting heat losses through the enclosing structures of an apartment building. Climate parameters and structural characteristics of the building were used as training data. The authors also propose a new technical solution — composite lintels made of aerated concrete blocks with carbon fiber reinforcement, which provide high thermal insulation properties. Heat loss prediction and cost-effectiveness of various design options were analyzed using an artificial neural network. The results of the study showed that the use of the developed highly efficient lintels can significantly reduce heat loss and increase the economic efficiency of the building by reducing heating costs. The article also presents a mechanism for managing the life cycle of a construction project using predictive models, which allows for optimization of design solutions based on data analysis and a multi-variant approach.