Automatiserede indeklimaberegninger giver energibesparelser

Der stilles høje krav til godt og sundt indeklima. Men det kan være noget af en udfordring, hvis man samtidig skal sikre et lavt energiforbrug. Både den køling og ventilation, der ofte skal sikre et godt indeklima er nemlig også en væsentlig post i energiregnskabet. 

Med støtte fra ELFORSK er Ingeniørvirksomheden MOE og Aalborg Universitet nu i gang med at udvikle en ny metode, der automatiserer indeklimaberegninger, så det bliver nemmere at finde mulige energibesparelser.

Vejen til et perfekt indeklima er en kompleks øvelse
For vejen mod den perfekte balance mellem energi og indeklima er en kompleks øvelse. Man har en lang række håndtag, der kan skrues på for at holde styr på energiniveauet og samtidig sikre komfortable temperaturer, tilpas dagslys og god luftkvalitet. Alt fra vinduesstørrelser og rudevalg til solafskærmning, ventilation og konstruktionsvalg kan have indflydelse.

I den sammenhæng er bygningssimuleringer det foretrukne redskab, men i kraft af kompleksiteten er det et yderst tidskrævende arbejde. Det høje tidsforbrug gør, at der ofte kun foretages simuleringer for få udvalgte, kritiske rum, der vurderes at være repræsentative for bygningen. I grove træk tager man udgangspunkt i worst case scenarios, hvilket efterlader et uforløst potentiale i forhold til rum, der er langt mindre belastede.

Der er derfor et stort behov for metoder, der hurtigt giver en tilbundsgående undersøgelse, så man ikke lader energi gå til spilde.

Giver blik for hele designrummet
Den nye metode går på at opstille en indeklimamodel af et generisk rum, der hurtigt kan varieres via machine learning og hermed benyttes til at undersøge et meget stort antal rum i bygningen.

Projektgruppen har i første instans opstillet en generisk rumtype for et storrumskontor, hvilket udgør en betragtelig del af kommercielt nybyggeri. Storrumskontorer er også kendetegnet ved stor tæthed, varmeafgivende IT-udstyr og høje dagslyskrav. Det generiske kontorrum er dannet på baggrund af knap 70.000 simuleringer, der baserer sig på branchevejledninger, standarder og en statistisk analyse af 11.000 historiske indeklimasimuleringer fra de seneste 11 år i MOE. Ud fra denne data er der identificeret 37 relevante designparametre. Ved at benytte såkaldte Monte Carlo simuleringer er det muligt at skrue på alle disse parametre samtidig og øjeblikkeligt se, hvordan de øver indflydelse på hinanden, energiforbruget og indeklimaet. Muligheden for at skrue på de mange parametre gør, at det generiske rum kan fungere som et estimat for langt størstedelen af alle kontorrum. Da kombinationsmulighederne er uendelige, bruges simuleringerne herefter til at træne hurtige, præcise metamodeller ved hjælp af machine learning.

Test- og modeldata ligger tæt
For at teste konceptet, har teamet sammenlignet en machine learning model af det generiske rum med et færdigmodelleret kontorrum, hvor der er fastlagt præcis geometri, vinduesplaceringer, skyggeforhold osv. Her så man på, hvor nemt det var at undersøge effekten af forskellige designvariationer og deres indflydelse på energi og indeklima.  Resultaterne lå meget tæt, hvilket er en stærk indikator for, at machine learning modeller gør det muligt at få direkte feedback på alle ønskelige variationer for et stort antal rum i bygningen.

Dette gør konceptet uhyre anvendeligt i de tidlige designfaser, når man skal vurdere designmuligheder og vil undersøge langt flere rum. Det er i den grad vigtigt med en tidlig indsats, hvis man vil undgå et for højt energiforbrug, da det gerne er her, de afgørende beslutninger træffes.

Derfor tegner projektet til at blive et effektivt instrument, når målet er at sikre et godt indeklima, der ikke er på bekostning af energiforbruget.

Projektleder Steffen Enersen Maagaard, MOE samarbejder med Aalborg Universitet om projektet, som afsluttes i foråret 2022.