Opaque surfaces, such as walls, are well-known for their significant contributions to heat loss and energy demands in buildings. However, transparent surfaces, such as windows, are equally critical to a building's energy performance. The design of these transparent elements requires a careful balance of various factors, including window size, glazing type, and orientation, each of which plays a pivotal role in enhancing energy efficiency. This study explores the optimization of these factors during the design process, emphasizing their impact on the overall building performance. This research evaluates the potential energy savings in a building archetype representative of the Algerian building stock. Utilizing the EnergyPlus simulation tool, the study conducted 1152 simulations on a baseline model to generate a comprehensive dataset detailing the building's energy demands for heating and cooling across various climatic conditions. The findings reveal that annual energy savings for this type of housing essentially depend on its climatic zone and can range from 6.92 % for a hot semi-arid climate (Bsh) to reach a maximum of 9.75 % in a cold semi-arid climate (Bsk), a window-to-wall ratio (WWR) of 60 % typically maximizes energy efficiency, low-E glazing proved most effective in most cases, although regions needing significant solar protection favored alternative glazing types. Optimal window orientation generally trends Eastward, except in regions where southern exposure better supports solar management, highlighting the complex relationship between architectural design choices and energy efficiency.

Remote agricultural regions in desert areas, such as Ghardaïa in southern Algeria, face significant challenges in energy supply due to their isolated locations and harsh climatic conditions. Harnessing solar energy through photovoltaic (PV) systems offers a sustainable solution to these energy needs. This study aims to identify suitable areas for PV power installations in Ghardaïa, utilizing a geographic information system (GIS) combined with the fuzzy analytical hierarchy process (AHP). Various environmental, economic, and technical factors, such as solar radiation, land use, and proximity to infrastructure, are incorporated into the analysis to create a multi-criteria decision-making framework. The integration of fuzzy logic into AHP enables a more flexible evaluation of these factors. The results revealed the presence of ideal locations for installing photovoltaic stations, with 346,673.30 hectares identified as highly suitable, 977,606.84 hectares as very suitable, and 937,385.97 hectares as suitable. These areas are characterized by high levels of solar radiation and suitable infrastructure availability, contributing to reduced implementation costs and facilitating logistical operations. Additionally, the proximity of these locations to agricultural areas enhances the efficiency of electricity delivery to farmers. The study emphasizes the need for well-considered strategic planning to achieve sustainable development in remote rural areas.

The evaluation of slope stability is of crucial importance in geotechnical engineering and has significant implications for infrastructure safety, natural hazard mitigation, and environmental protection. This study aimed to identify the most influential factors affecting slope stability and evaluate the performance of various machine learning models for classifying slope stability. Through correlation analysis and feature importance evaluation using a random forest regressor, cohesion, unit weight, slope height, and friction angle were identified as the most critical parameters influencing slope stability. This research assessed the effectiveness of machine learning techniques combined with modern feature selection algorithms and conventional feature analysis methods. The performance of deep learning models, including recurrent neural networks (RNNs), long short-term memory (LSTM) networks, and generative adversarial networks (GANs), in slope stability classification was evaluated. The GAN model demonstrated superior performance, achieving the highest overall accuracy of 0.913 and the highest area under the ROC curve (AUC) of 0.9285. Integration of the binary bGGO technique for feature selection with the GAN model led to significant improvements in classification performance, with the bGGO-GAN model showing enhanced sensitivity, positive predictive value, negative predictive value, and F1 score compared to the classical GAN model. The bGGO-GAN model achieved 95% accuracy on a substantial dataset of 627 samples, demonstrating competitive performance against other models in the literature while offering strong generalizability. This study highlights the potential of advanced machine learning techniques and feature selection methods for improving slope stability classification and provides valuable insights for geotechnical engineering applications.

Accurate prediction of Daily Global Solar Radiation (DGSR) is of prime importance for various applications in renewable energy, agriculture or climate studies. This paper presents the effectiveness of using Machine Learning (ML) algorithms and satellite imagery to improve DGSR prediction. The most commonly used ML methods consider as input the use of several meteorological parameters (temperature, wind speed, atmospheric pressure, sunshine duration, etc.) and/or radiometric parameters (aerosol optical thickness, water vapor, etc). In this work, the use of normalized reflectance obtained from satellite images in different channels is studied with the aim of improving the accuracy of solar radiation forecasts. Both ML approaches, ANN (Artificial Neural Network) and SVM (Support Vector Machine), were used as regression models to predict DGSR. The obtained results revealed that the number of parameters used as ML inputs significantly influences the accuracy of daily forecasts of global solar radiation. Furthermore, the results showed superior performance of ANN compared to SVM. Indeed, the errors obtained with the ANN model are an RMSE of 212.21 Wh/m 2 , an NRMSE of 3.46%, a MAPE of 2.85%, an MBE of -7.26Wh/m 2 and R of 0.99 while the SVM model gave respectively 441.95Wh/m 2 , 6.6%, 5.62%, 69.46W h/m 2 and R of 0.98.

ABSTRACT This study evaluates and enhances machine learning models for predicting pan evaporation under diverse climatic conditions. Five fundamental machine learning models were employed and tested across four different stations. Subsequent comparisons were made with advanced techniques, including long short-term memory (LSTM) networks. An innovative approach was introduced, combining LSTM with Binary Al-Biruni Earth Radius (BER–LSTM). This hybrid method was benchmarked against other optimization techniques. The BER–LSTM model consistently outperformed other models across all stations and time scales, achieving up to a 97.54% improvement in root mean square error (RMSE) compared to standard LSTM on daily time scales. Compared to simpler models like Multilayer Perceptron and Support Vector Regressor, BER–LSTM showed even more substantial improvements, with up to a 99.03% reduction in RMSE. The BER–LSTM model demonstrates superior predictive capabilities for pan evaporation across varied climatic conditions, offering significant improvements over both traditional and advanced machine learning techniques. This approach shows promise for enhancing evaporation forecasting in diverse environmental contexts.