Machine learning viser vej til lavere energiforbrug og godt indeklima
Projektet 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.
Ved at kombinere machine learning med en indeklimamodel og undersøge indeklimaet i en bygning er det blevet nemmere at finde potentialet for energibesparelser.
Med støtte fra Elforsk har BUILD på Aalborg Universitet og ingeniørvirksomheden MOE vist, hvordan man kan kombinere machine learning med en generisk indeklimamodel og hurtigt undersøge indeklimaet i store dele af en bygning. En metode, der langt nemmere kan identificere potentialet for energibesparelser.
Kompleks øvelse
Det er en kompleks øvelse at ramme den rette balance mellem et godt indeklima og et lavt energiforbrug. Årsagen er, at adskillige faktorer spiller ind såsom vinduesstørrelser og type, ventilation og valg af bygningskonstruktioner.
Som regel benytter man bygningssimuleringer til at løse knuden, men det er et yderst tidskrævende arbejde. Det medfører, at der ofte kun foretages simuleringer for få udvalgte, kritiske rum, der vurderes 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.
BUILD og MOE har arbejdet med idéen om en indeklimamodel af et generisk rum, der kan bruges til at undersøge alle rummene i en bygning.
BUILD og MOE har derfor arbejdet med idéen om en indeklimamodel af et generisk rum, der kan bruges til at undersøge alle rummene i en bygning. Ved at benytte såkaldte Monte Carlo simuleringer er det nemlig muligt at skrue på alle designparametre samtidig og øjeblikkeligt se hvordan de øver indflydelse på hinanden, energiforbruget og indeklimaet.
Machine Learning modeller beregner rums energiforbrug
Det generiske rum bliver hermed en god ”stamcelle”, og i projektet blev det tydeligt, at simuleringerne havde stor nøjagtighed sammenlignet med de virkelige rum i bygningen. Netop det gør det muligt at danne Machine Learning modeller, der hurtigt og enkelt kan beregne rummenes energiforbrug og indeklima - selv i de tidlige designfaser.
På få minutter kan arkitekter, bygherrer og ingeniører sammen teste forskellige designløsninger og derfor træffe velinformerede beslutninger, som ikke er baseret på tommelfingerregler og mavefornemmelser.
Energibesparelser på op til 50 %
På få minutter kan arkitekter, bygherrer og ingeniører sammen teste forskellige designløsninger og derfor træffe velinformerede beslutninger, som ikke er baseret på tommelfingerregler og mavefornemmelser.
Energibesparelsespotentialet ved brug af værktøjet er stort, da holdet har vist, at muligheden for at undersøge et langt større mulighedsrum, langt nemmere kan udpege løsninger, der opfylder kravene til indeklimaet og energirammen. De bedste løsninger havde endda et energibehov, der var 50% lavere.
MOE og BUILD ser derfor store perspektiver i at udvikle brugen af metamodellerne.