Resumen de An artificial neural network model application for the estimation of thermal comfort conditions in mountainous regions, Greece

K. Chronopoulos, A. Kamoutsis, A. Matsoukis, E. Manoli

• español

  En esta investigación, se aplicó un modelo de red neuronal artificial (ANN), para estimar las condiciones térmicas de las regiones montañosas de Gerania (MG) y de Nafpaktia (MN) en Grecia. La temperatura del aire y la humedad relativa fueron registradas de junio hasta agosto de 2007, en dos sitios seleccionados de cada región estudiada. Datos de los parámetros antes mencionados se usaron para calcular el índice termohigrométrico (THI), evaluando las condiciones de confort térmico como categorías. El modelo ANN, perceptrón multicapa (MLP), fue usado para estimar los valores del THI en los niveles de las alturas 1334 y 1338 m en MG y MN, respectivamente. Con base en la temperatura y en la humedad relativa de los niveles examinados a baja altitud (650 m en MG y 676 m en MN), teniendo en cuenta el tiempo de medición real (ATM). Los resultados del desarrollo y aplicación del modelo ampliado MLP indicaron una estimación más precisa de los valores THI en los estudios de las dos regiones durante un periodo de todo el día, comparado con la aplicación MLP sin el uso del ATM. También, el modelo ampliado, examinando el día entero, mostró estimaciones más precisas de los valores THI en el MG comparados con el MN. De manera similar, este modelo proporcionó una mejor estimación por separado del periodo, tanto durante el día (09h00min-20h00min) y durante la noche (21h00min-08h00min) en comparación con las estimaciones respectivas del THI, tomando en cuenta sólo la temperatura del aire y la humedad relativa como parámetros de entrada. Adicionalmente, la ampliación del modelo MLP fue mucho más eficiente para estimar los valores THI durante las horas del día, comparado con las horas de la noche en ambos MG y MN. También el modelo ampliado MLP fue capaz de estimar mejor los valores de THI en la clase Caliente en MG, como así mismo en la clase Confortable en MN.

• English

  In this research, an artificial neural network model (ANN) was applied to estimate the thermal comfort conditions in the mountainous regions of Gerania (MG) and of Nafpaktia (MN) in Greece. Air temperature and relative humidity were recorded from June to August 2007 at two selected sites for each study region. Data of the aforementioned arameters were used for the calculation of the thermohygrometric index (THI), from which thermal comfort conditions were evaluated as classes. The ANN model, the multilayer perceptron (MLP) was used for the estimation of THI values at the examined high altitude level (1334 and 1338 m in MG and MN, respectively) based on the temperature and the relative humidity of the examined low altitude level (650 m in MG and 676 m in MN), taking into account the actual time of measurement (ATM). The results of the development and application of this extended MLP model indicated more accurate estimations of THI values at the two study regions during the whole day period compared to the MLP application without the use of ATM. Also, the extended model, examining the whole day, showed more accurate estimations of THI values in MG compared to MN. Similarly, this model provided better estimations separately for both daytime (09h00min-20h00min) and nighttime (21h00min-08h00min) in comparison with the respective THI estimations taking into account only the air temperature and relative humidity as input parameters. Additionally, the extended MLP model was more efficient estimating THI values during daytime hours compared to nighttime hours in both MG and MN. Also, the extended MLP model was more capable in estimating better the THI values in the "hot" class in MG as well as in the "comfortable" class in MN.