Optimering af bygningers energibehov, indeklima og robusthed ved brug af generiske rumtyper og Machine Learning
I dette projekt har vi vist at det er muligt at anvende generiske rum i stedet for rum med komplekse geometrier, hvorved vi kan træne metamodeller på de simplere generiske modeller. Metamodellerne er implementeret i et generisk designværktøj udviklet i Colab og vil på sigt blive implementeret direkte i BIM værktøjer. Foto: MOE.
Formålet med projektet er at gøre simuleringsbaseret vurdering af performance for energi og indeklima lettere tilgængelig for beslutningstagere. Samtidig med at gøre det muligt at lave langt mere omfattende designundersøgelser, som omfavner de utallige muligheder i tidligt design
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.
I projektet er der defineret hvad der menes med generiske rumtyper, samt eftervist at disse opnår sammenlignelige resultater som fås fra faktiske simuleringer af komplekse geometrier. Derudover er der eftervist at machine learning kan anvendes til at træne metamodeller på disse generiske rum, og opnå resultater der tilnærmelsesvis er de samme resultater som opnået fra de faktiske simuleringer.
Disse metamodeller har en høj R2-værdi, og er derfor vurderet at kunne anvendes til at danne en stor mængde metamodeller til at træffe beslutninger tidligt i designfasen, hvorved bedre løsninger for bygninger opnås.
Disse metamodeller har en høj R2-værdi, og er derfor vurderet at kunne anvendes til at danne en stor mængde metamodeller til at træffe beslutninger tidligt i designfasen, hvorved bedre løsninger for bygninger opnås.
På baggrund af denne tilgang, med generiske rum og metamodeller, er der udviklet et værktøj i Google Colab, se Bilag C – Udvikling af prototype, som kan bruges af rådgivende ingeniører til hurtigt at danne tusindvis af metamodeller. Dette muliggør at man hurtigt kan videreformidle påvirkningen af ens designparametre, hvorved beslutningstagere nemmere kan foretage bedre beslutninger igennem hele projektforløbet.
Det udviklede værktøj er anvendt på virkelige cases, hvor værktøjet er brugt til at træffe beslutninger der har en indflydelse på energibehovet og indeklimaet på rummene der blev undersøgt. Feedback for interessenter har været positiv, og de har kunne se værdien som dette værktøj har og kan skabe.
Hvor man tidligere har brugt tommelfingerregler og mavefornemmelser, muliggør dette projekt at man kan optimere energiforbrug og indeklima i samspil med hinanden.
Det udviklede værktøj er anvendt på virkelige cases, hvor værktøjet er brugt til at træffe beslutninger der har en indflydelse på energibehovet og indeklimaet på rummene der blev undersøgt. Feedback for interessenter har været positiv, og de har kunne se værdien som dette værktøj har og kan skabe.
Håndteringen af robusthed er undersøgt, hvor der er brugt den stokastiske tilgang, hvor man har sine simuleringer og nemt kan visualisere hvad der sker når man skruer på forskellige parametre, samt sætter restriktioner herpå. Hertil er brugen af følsomhedsanalyse anvendt, hvor det kan bruges som værktøj til at identificere de designparametre der har størst indflydelse på sine performancekriterier. Med denne information, og den stokastiske tilgang, til man opnå løsningsforslag der er robuste over for ændringer i ens bygning, hvis man ved hvilke designparametre man kan skrue på og hvilken og hvor stor indflydelse denne ændring har.
Fremtidigt arbejde
Udover det der er lavet i projektet, har værktøjets udvikling og feedback fra interessenter givet anledning til fremtidigt arbejde der kan skabe kvalitet og øget værdi af værktøjet.
Dannelsen af en API vil gøre det muligt at bruge værktøjet direkte i andre programmer, som eksempelvis Revit, Excel, Dynamo, Grasshopper og PowerBI. Dette vil gøre det muligt for blandt andet arkitekter at få hurtigt feedback på ændringer. Da man tidligt i designfasen er præget af stor usikkerhed, vil det gøre det muligt for arkitekten at hastigt danne løsningsforslag. Ved brug af værktøjet kan man derfor få respons på ændringernes effekt. Dette vil spare tid, da ingeniøren traditionelt set ellers skulle lave en ny simulering på baggrund af arkitektens ændringer.
Fremtidigt bør værktøjet opdateres til at følge med udviklingen af og brug af BPS-software, da MOE i fremtiden vil anvende BSim mindre og i højere grad anvende EnergyPlus. Derudover er der stigende fokus i forskellige BPS-softwares på at inkludere parametervariation og det bliver derfor mere tilgængeligt og lettere. Dette kan værktøjet gøre brug af, og det skal derfor fremtidssikres ift. dette aspekt.
Der skal medtages flere performance-kriterier for bygningen, herunder dagslys og LCA, for at medtage endnu flere kriterier for indeklimaet, samt at medtage bæredygtighed som kriterie, da man i fremtiden skal dokumentere LCA’en for nybyggeri, og overholde krav til dette.
MOE var projektleder og projektet blev udviklet i samarbejde med Aalborg Universitet.
Mere information
352-046