การวิเคราะห์พลังงาน แสงกลางวัน และความสบาย

กำไร:

• ความสามารถในการอธิบายบทบาทของ AI ในการเตรียมข้อมูล การตีความ และการรายงานในเวลากลางวัน ไข้แดด และเวิร์กโฟลว์การจำลองพลังงาน
• ความสามารถในการติดตามสมมติฐาน เงื่อนไขขอบเขต และความไม่แน่นอนได้อย่างชัดเจน เมื่อสรุปผลการจำลองด้วย AI
• ความสามารถในการทำความเข้าใจว่าผลลัพธ์ด้านพลังงาน/ความสะดวกสบายต้องได้รับการตรวจสอบด้วยวิธีการคำนวณอย่างเป็นทางการและซอฟต์แวร์ที่ได้รับการรับรอง และ AI ไม่ได้สร้างตัวเลข

อาคารไม่เพียงแค่ดูสวยงามเท่านั้น ช่วยให้ผู้ที่อาศัยอยู่ภายในบ้านเย็นสบายท่ามกลางความร้อนและอุ่นในช่วงเย็น ให้แสงสว่างในระหว่างวัน และไม่ใช้พลังงานโดยไม่จำเป็น เพื่อคาดการณ์สิ่งเหล่านี้ สถาปนิกใช้การจำลอง: การวิเคราะห์ด้วยคอมพิวเตอร์ที่คำนวณเชิงตัวเลขว่าอาคารจะประพฤติตนอย่างไรกับแสงแดด แสง และอากาศ การวิเคราะห์แสงธรรมชาติ (ปริมาณแสงธรรมชาติที่ส่องเข้ามาในพื้นที่) การวิเคราะห์ไข้แดด/ร่มเงา และการจำลองพลังงานเป็นการวิเคราะห์หลัก ซอฟต์แวร์พิเศษที่ได้รับการรับรองและตรวจสอบแล้วทำการคำนวณเหล่านี้ ปัญญาประดิษฐ์ไม่ได้สร้างตัวเลขเหล่านี้ขึ้นมาเอง บทบาทของ AI คือการเตรียมข้อมูล จัดระเบียบสถานการณ์ ตีความ และรายงานผลลัพธ์ ในหน่วยการเรียนรู้นี้ คุณจะได้เรียนรู้วิธีวาง AI ในตำแหน่งที่ถูกต้องในกระบวนการทำงานด้านพลังงานและแสงสว่าง และวิธีการหลีกเลี่ยงข้อผิดพลาดที่อันตรายที่สุด นั่นก็คือ การทำให้ AI สร้างตัวเลข

ทำไม AI ไม่จำลอง

แบบจำลองภาษาสามารถให้ตัวเลขที่มั่นใจกับคำถามที่ว่า "ห้องนี้มีแสงแดดส่องเข้ามาได้มากแค่ไหน" แต่ตัวเลขนี้เป็นการประมาณการ/การประดิษฐ์ ไม่ใช่การคำนวณจริง ตัวคูณแสงแดด, โหลดพลังงาน, ชั่วโมงเงา; เป็นการคำนวณทางกายภาพโดยพิจารณาจากรูปทรงเรขาคณิตของอาคาร ตำแหน่งทางภูมิศาสตร์ คุณสมบัติของวัสดุ และข้อมูลสภาพอากาศ มีเพียงซอฟต์แวร์จำลองสถานการณ์ที่จำลองฟิสิกส์เท่านั้นที่ทำให้สิ่งเหล่านี้ถูกต้อง

การมีส่วนร่วมที่แท้จริงของ AI คือ: การเตรียมอินพุตของการจำลอง (รายการสถานการณ์ รายการวัสดุ) การทำความเข้าใจผลลัพธ์ (สรุปผลลัพธ์หลายร้อยหน้า รูปแบบการค้นหา) และการเขียนรายงาน ดังนั้น AI จึงมีคุณค่าทั้งก่อนและหลังบัญชี ไม่ได้อยู่ในบัญชีของตัวเอง

ข้อควรระวัง: อย่าถาม AI ถึงตัวเลข เช่น ตัวคูณแสง การใช้พลังงาน หรือชั่วโมงเงา เฉพาะซอฟต์แวร์จำลองที่ได้รับการรับรอง/ตรวจสอบแล้วเท่านั้นที่สร้างค่าเหล่านี้ ไม่ควรใช้หมายเลขใดๆ ที่ AI ให้มา เว้นแต่จะเป็นบัญชีที่มาจากแหล่งที่มา

การเตรียมข้อมูลเข้า: ประโยชน์ประการแรกของ AI

คุณภาพของการจำลองขึ้นอยู่กับคุณภาพของอินพุต AI ช่วยให้คุณจัดวางชุดสถานการณ์ที่ซับซ้อน: ทิศทางของส่วนหน้าอาคาร, ประเภทกระจกใด, ตัวเลือกการแรเงาใด, ชั่วโมงการใช้งานใดในการทดสอบ การเปลี่ยนสิ่งเหล่านี้ให้เป็นตารางที่มีโครงสร้างและการชี้แจงว่าแต่ละสถานการณ์จะวัดผลอะไร ช่วยประหยัดเวลาและลดข้อผิดพลาด

AI ยังสามารถรวบรวมคุณสมบัติของวัสดุ (ค่าการนำความร้อน การส่งผ่านแสง ฯลฯ) และนำมาวางไว้ในตาราง แต่จำเป็นต้องยืนยันค่าเหล่านี้จากเอกสารของผู้ผลิตเพราะ AI อาจจำผิด

การตีความผลลัพธ์: ประโยชน์ประการที่สองของ AI

เอาต์พุตการจำลองมักจะมีขนาดใหญ่และซับซ้อน เช่น อุณหภูมิชั่วโมงต่อชั่วโมง ระดับแสงห้องต่อห้อง การกระจายพลังงานรายเดือน จากข้อมูลนี้ AI จะสร้างข้อมูลสรุปที่ชัดเจน: "สถานที่สามแห่งที่ได้รับความอบอุ่นที่สุด" "พื้นที่ที่ต่ำกว่าเป้าหมายเวลากลางวัน" "ในเดือนใดที่มีภาระการทำความเย็นสูงสุด" บทสรุปนี้ช่วยเร่งการตัดสินใจในการออกแบบของสถาปนิก แต่อย่าลืมระบุว่าซอฟต์แวร์ใดและสมมติฐานใดที่คุณให้ผลลัพธ์แก่ AI ความคิดเห็นควรอยู่ในบริบทนี้

เคล็ดลับ: เมื่อให้ผลลัพธ์การจำลองแก่ AI ให้พูดว่า "ผลลัพธ์เหล่านี้จัดทำโดย [ซอฟต์แวร์] โดยมีสมมติฐานดังต่อไปนี้ คุณเพียงแค่แสดงความคิดเห็นและระบุว่าสมมติฐานส่งผลต่อผลลัพธ์อย่างไร" AI จึงมองเห็นความไม่แน่นอนแทนที่จะซ่อนไว้

ทีละขั้นตอน: เวิร์กโฟลว์การวิเคราะห์ที่ขับเคลื่อนด้วย AI

1. ชี้แจงคำถาม. คุณต้องการรู้อะไร: ร้อนเกินไป, ขาดแสง, พลังงาน?
2. แก้ไขสถานการณ์ด้วย AI ตารางตัวแปรที่จะทดสอบ
3. รวบรวมและตรวจสอบข้อมูลวัสดุ พวกเขาบอกว่า AI คุณตรวจสอบได้จากเอกสารของผู้ผลิต
4. รันการจำลองด้วยซอฟต์แวร์ที่มีความสามารถ นี่คือที่มาของตัวเลข
5. ตีความผลลัพธ์ด้วย AI สรุปโดยระบุสมมติฐาน
6. ตัดสินใจและรายงาน ข้อสรุปและเหตุผลจะถูกบันทึกไว้พร้อมแหล่งที่มา

มินิเคสสามอัน

กรณีที่ 1 — การแก้ไขสถานการณ์ สถาปนิกต้องการทดสอบแสงกลางวันสำหรับการวางแนวส่วนหน้าอาคาร 4 แบบ, กระจก 3 แบบ และตัวเลือกแรเงา 2 แบบ AI เปลี่ยนชุดค่าผสมเหล่านี้ให้เป็นตารางที่ชัดเจนของสถานการณ์ 24 รายการ และสถาปนิกจะเห็นว่าสถานการณ์ใดเป็นการทำซ้ำโดยไม่จำเป็น และจำกัดให้เหลือเพียง 16 เหตุการณ์ เวลาจำลองและความผิดปกติจะลดลง

กรณีที่ 2 — การตีความและรูปแบบ เอาต์พุตอุณหภูมิรายชั่วโมง 800 เส้นปรากฏขึ้น สถาปนิกมอบสิ่งนี้ให้กับ AI และขอสรุป AI ทำเครื่องหมายสำนักงานสองแห่งที่มุมตะวันตกเฉียงใต้ซึ่งมีบรรยากาศอบอุ่นเหนือเป้าหมายในช่วงบ่าย เพื่อยืนยันการค้นพบนี้ สถาปนิกจะดูกราฟที่เกี่ยวข้องของการจำลองและเพิ่มการแรเงา AI ไม่ได้สร้างตัวเลขที่นี่ ทำให้สามารถอ่านตัวเลขที่มีอยู่ได้

กรณีที่ 3 — ทางลัดที่เป็นอันตราย เพื่อประหยัดเวลา เด็กฝึกงานถาม AI ว่า "ห้องนี้มีค่าตัวคูณแสงเท่าไร" และใส่หมายเลขผลลัพธ์ลงในรายงาน เมื่อตรวจสอบแล้วจะเห็นได้ชัดว่าตัวเลขนี้ไม่ได้ขึ้นอยู่กับการคำนวณใดๆ และเป็นเพียงการสร้างขึ้นเท่านั้น รายงานจะถูกถอนออก บทเรียน: ตัวเลขมักมาจากซอฟต์แวร์ที่มีความสามารถเสมอ

ข้อความแจ้งที่สามารถคัดลอกได้สี่รายการ

เปลี่ยนสถานการณ์ที่จะทดสอบสำหรับเป้าหมายการวิเคราะห์ต่อไปนี้ลงในตาราง คอลัมน์: หมายเลขสถานการณ์ | ทิศทางด้านหน้า | ชนิดแก้ว | การแรเงา | มันวัดอะไร? ทำเครื่องหมายสถานการณ์ที่ไม่จำเป็น/ซ้ำซาก จุดมุ่งหมาย: [...]

รวบรวมค่าการส่งผ่านความร้อนและค่าการส่งผ่านแสงสำหรับรายการวัสดุนี้ในตาราง ทำเครื่องหมายแต่ละค่าว่า "จะได้รับการยืนยันจากเอกสารของผู้ผลิต"; อย่าให้ค่าที่แน่นอน รายการ: [...]

ผลการจำลองต่อไปนี้จัดทำขึ้นโดย [ชื่อซอฟต์แวร์] โดยมีสมมติฐานดังต่อไปนี้: [สมมติฐาน] ผลลัพธ์โดยสรุป: 3 ตำแหน่ง รูปแบบ และผลกระทบของสมมติฐานที่สำคัญที่สุด อย่าสร้างตัวเลขใหม่ เพียงตีความตัวเลขที่ให้มา ผลลัพธ์: [...]

จัดระเบียบร่างรายงานพลังงาน/แสงสว่างในภาษาของสถาปนิก: พร้อมส่วนต่างๆ สำหรับวิธีการ สมมติฐาน ข้อค้นพบ ข้อแนะนำ ปล่อยให้ช่อง [SOURCE] ระบุแหล่งที่มา (ซอฟต์แวร์/บัญชี) ของแต่ละปัญหา ฉบับร่าง: [...]

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

อ่อนแอ: "ห้องนี้จะใช้พลังงานเท่าไร"

แข็งแกร่ง: "ฉันกำลังวางเอาต์พุตพลังงานรายเดือนของการจำลองโดยใช้ EnergyPlus ของฉันไว้ด้านล่างนี้ สมมติฐาน: [ไฟล์สภาพภูมิอากาศ ชั่วโมงการใช้งาน อุณหภูมิที่ตั้งไว้] สรุปผลลัพธ์เหล่านี้: เดือนใดมีภาระงานสูงสุด ตำแหน่งใดที่โดดเด่น สมมติฐานใดส่งผลต่อผลลัพธ์มากที่สุด คำนวณตัวเลขใหม่ เพียงตีความข้อมูลที่ฉันให้มา"

พรอมต์อันทรงพลังทำให้ AI มีบทบาทเป็นล่าม ไม่ตกหลุมพรางในการสร้างตัวเลขและทำให้มองเห็นสมมติฐานได้

ธุรกิจ

เอไอทำหรือเปล่า?

ใครเป็นคนผลิตเลข.

การแก้ไขสคริปต์

ใช่

—

การรวบรวมข้อมูลวัสดุ

ใช่ (ยืนยันแล้ว)

ใบรับรองของผู้ผลิต

บัญชีจำลอง

ไม่

ซอฟต์แวร์ที่ได้รับการรับรอง

ความเห็นสรุป/สรุป

ใช่

—

การเขียนรายงาน

ใช่ (เชื่อม)

—

ข้อผิดพลาดทั่วไป

• ทำให้ AI ผลิตตัวเลข ค่าแสงแดด/พลังงานมาจากซอฟต์แวร์เท่านั้น
• ไม่ระบุสมมติฐาน. การตีความยังคงไม่มีบริบทและความเข้าใจผิด
• ไม่ยืนยันมูลค่าวัสดุ AI อาจให้ค่าอุณหภูมิ/แสงไม่ถูกต้อง
• ไม่เปรียบเทียบสรุป AI กับข้อมูลดิบ สรุปอาจเน้นไม่ถูกต้อง
• การใส่หมายเลขที่จัดทำไว้ในรายงาน ไม่มีการรวมหมายเลขที่ไม่มีแหล่งที่มาไว้ในรายงาน

โดยสรุป

การคำนวณพลังงานและแสงกลางวันเป็นไปตามหลักฟิสิกส์ และมีเพียงซอฟต์แวร์จำลองที่ได้รับการรับรองเท่านั้นที่ทำให้ถูกต้อง AI ไม่ได้ทำการคำนวณนี้ แก้ไขอินพุต รวบรวม (ตรวจสอบ) ข้อมูลวัสดุ ตีความผลลัพธ์ และเขียนรายงาน ไม่เคยทำให้ AI สร้างตัวเลขเช่นตัวคูณแสงหรือการใช้พลังงาน อ้างอิงแหล่งที่มาของแต่ละหมายเลข ทำให้มองเห็นสมมติฐาน และตรวจสอบการประเมินขั้นสุดท้ายกับผู้เชี่ยวชาญที่มีความสามารถ

งานสมัคร

ออกแบบสถานการณ์การวิเคราะห์เวลากลางวันหรือความร้อนสูงเกินไปสำหรับพื้นที่ ด้วย AI คุณสามารถเปลี่ยนกรณีทดสอบให้เป็นตาราง และปล่อยให้ช่องยืนยันสำหรับค่าวัสดุ หากคุณมีเอาต์พุตการจำลอง (หรือตารางตัวอย่าง) ให้สรุปให้ AI ระบุสมมติฐาน และตรวจสอบว่า AI ไม่ได้สร้างตัวเลขใหม่ใดๆ

รายการตรวจสอบ

• [ ] ฉันชี้แจงคำถามเชิงวิเคราะห์แล้ว
• [ ] ฉันแก้ไขสถานการณ์ด้วย AI
• [ ] ฉันยืนยันค่าวัสดุจากเอกสารของผู้ผลิต
• [ ] ฉันได้หมายเลขมาจากซอฟต์แวร์ที่ได้รับการรับรองเท่านั้น
• [ ] ฉันให้ AI ตีความโดยระบุสมมติฐาน
• [ ] ฉันตรวจสอบว่า AI ไม่ได้สร้างตัวเลขใหม่
• [ ] ฉันเขียนที่มาของแต่ละประเด็นลงในรายงาน