Optimering af bygningers energibehov, indeklima og robusthed ved brug af generiske rumtyper og Machine Learning

I tidligt bygningsdesign fastlægges en lang række vigtige designparametre relateret til bygningens form, facadeopbygning og systemer, som har afgørende betydning for den endelige bygnings energibehov, performance og pris. Programmer til simulering af energibehov, termisk komfort og dagslys kræver hundredvis af detaljerede inputs og evaluerer kun ét design ad gangen, hvilket passer dårligt til informationsniveauet og usikkerhederne i tidligt design. Derfor baseres beslutninger typisk på erfaring og tommelfingerregler, som hurtigt forældes grundet de hurtigt foranderlige og stigende krav til energiforbrug, indeklima og bæredygtighed.

Formålet med projektet er at gøre simuleringsbaseret vurdering af performance for energi og indeklima lettere tilgængelig for beslutningstagere samt muliggøre langt mere omfattende designundersøgelser, som omfavner de utallige muligheder i tidligt design.

På grund af den lave detaljeringsgrad og de store usikkerheder kan der, på baggrund af byggeprogrammer, branchevejledninger og ekspertinterviews, opstilles generiske rummodeller for bygningers vigtigste rum, såsom kontorlokaler, møderum og klasselokaler. Med Monte Carlo simuleringer varieres for disse rum alle væsentlige designparametre, designtiltag og systemer sammen med usikkerheder for vejr og brugeradfærd. Da kombinationsmulighederne er uendelige, bruges simuleringerne til at træne hurtige, præcise metamodeller ved hjælp af Machine Learning, så beslutningsstøtten i de tidlige designfaser kan baseres på resultater fra metamodellerne.

For alle de generiske rumtyper valideres nøjagtigheden af metamodellerne i forhold til den nødvendige nøjagtighed i tidligt design mod validerede bygningssimuleringsværktøjer. Endeligt afprøves de generiske metamodeller i den integrerede designproces for både nybygnings- og renoveringsprojekter.

Projektdeltagere:MOE og Aalborg Universitet.
Projeket er støttet af ELFORSK.