Πράσινο έξυπνο σπίτι: Συστήματα, υλικά και σχεδίαση με προσομοίωση

Τούντα, Ελένη-Νεκταρία

dc.contributor.advisor	Moussas, Vassilios
dc.contributor.author	Τούντα, Ελένη-Νεκταρία
dc.date.accessioned	2022-08-25T11:43:33Z
dc.date.available	2022-08-25T11:43:33Z
dc.date.issued	2022-06
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/2798
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-2638
dc.description.abstract	Σκοπός της παρούσας εργασίας είναι η σχεδίαση μέσω προσομοίωσης σε ειδικό λογισμικό μιας έξυπνης κατοικίας και του περιβάλλοντος χώρου της, ακολουθούμενη από τη συγκέντρωση και τη δημιουργία των συνόλων δεδομένων. Στα πλαίσια της μελέτης της εργασίας γίνεται η πρόβλεψη του σχεδιασμού μιας κατοικίας, η οποία αποτελείται από ένα υπνοδωμάτιο, σαλόνι, μπάνιο, κουζίνα και γραφείο. Κάθε δωμάτιο της κατοικίας μελέτης. Η διαδικασία σχεδιασμού και εισαγωγής του μοντέλου του σπιτιού της μελέτης περίπτωσης γίνεται με χρήση του λογισμικού OpenSHS. Κατόπιν, εισάγονται δύο σύνολα δεδομένων π για την μελέτη των έξυπνων κατοικιών. Το ένα αφορά την ταξινόμηση και το άλλο την ανίχνευση ανωμαλιών. Τα δύο σύνολα δεδομένων δημιουργούνται χρησιμοποιώντας το λογισμικό OpenSHS, με τη χρήση του οποίου 7 συμμετέχοντες προσομοίωσαν τα ADLτους (αλγόριθμοι ταξινόμησης καθημερινότητας – algorithmdailylife). Αντιπροσωπευτικά σύνολα δεδομένων έξυπνων κατοικιών, όπως αυτά που παρουσιάζονται σε αυτή την εργασία, προσφέρουν δυνατότητες εφαρμογής άμεσης μηχανικής εκμάθησης, κυρίως για την εκπαίδευση, τη δοκιμή και την επικύρωση νέων μοντέλων. Απαιτούνται διαφορετικά σύνολα δεδομένων ανάλογα με τον προκαθορισμένο στόχο της μηχανικής εκμάθησης, π.χ. ταξινόμηση, ομαδοποίηση, πρόβλεψη ή ανίχνευση ανωμαλιών. Τα προκύπτοντα από την παρούσα μελέτη σύνολα δεδομένων μπορούν να χρησιμοποιηθούν για την επικύρωση μοντέλων μηχανικής εκμάθησης που εκτελούν εργασίες ταξινόμησης ή/και εργασίες ανίχνευσης ανωμαλιών στον τομέα των έξυπνων κατοικιών. Οι εργασίες ταξινόμησης και ανίχνευσης ανωμαλιών έχουν πεδίο εφαρμογής για πολλές περιπτώσεις χρήσης όπως η αυτοματοποίηση, η φροντίδα ηλικιωμένων, η υγειονομική περίθαλψη, η ψυχαγωγία, η ασφάλεια κ.λπ.	el
dc.format.extent	94	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Πράσινο κτίριο	el
dc.subject	Έξυπνα σπίτια	el
dc.subject	Λογισμικό προσομοίωσης OpenSHS	el
dc.subject	Αλγόριθμοι ταξινόμησης καθημερινότητας	el
dc.subject	ADL	el
dc.title	Πράσινο έξυπνο σπίτι: Συστήματα, υλικά και σχεδίαση με προσομοίωση	el
dc.title.alternative	Green smart home: Systems, materials and simulation design	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Repapis, Constantinos
dc.contributor.committee	Vryzidis, Isaak
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Πολιτικών Μηχανικών	el
dc.description.abstracttranslated	The purpose of this work is the design through simulation in special software of a smart home and its surroundings, followed by the collection and creation of data sets. In the context of the study of the work, the design of a house is foreseen, which consists of a bedroom, living room, bathroom, kitchen and office. Each room of the study residence. The process of designing and introducing the case study house model is done using OpenSHS software. Then, two data sets π are introduced for the study of smart homes. One concerns the classification and the other the detection of anomalies. The two datasets are generated using OpenSHS software, using which 7 participants simulated their ADL (daily life algorithm). Representative smart home datasets, such as those presented in this paper, offer instant machine learning applications, primarily for training, testing, and validating new models. Different sets of data are required depending on the predetermined goal of the machine learning, e.g. classification, grouping, prediction or detection of anomalies. The data sets from the present study can be used to validate machine learning models that perform classification and / or anomaly detection tasks in the smart home sector. The classification and detection of anomalies has scope for many uses such as automation, care for the elderly, health care, entertainment, safety, etc.	el

Files in this item

Name:: Tounta_6480.pdf
Size:: 5.046Mb
Format:: PDF
Description:: Διπλωματική Εργασία

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Πολιτικών Μηχανικών

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές