Sådan kan Machine Learning give bedre indeklima billigere

En generisk indeklimamodel af et enkelt rum kan bruges til at teste indeklimaet i langt de fleste af rummene i en bygning, hvis man tilsætter machine learning. Det skriver Torben Østergård, specialist i Energidesign, Bæredygtighed & Indeklima hos Moe.
Brødtekst

Sammen med Aalborg Universitet er vi hos Moe ved at udvikle en ny metode til simulering af energi og indeklima. Metoden går ud på, at skabe generiske rummodeller, der bygger på så mange stokastiske simuleringer og historiske data, at de kan bruges til at undersøge en lang række lignende rum i bygningsdesignet. 

Normalvis er bygningssimuleringer det foretrukne redskab til undersøgelse af energi og indeklima. Men grundet programmernes høje detaljeringsgrad er modelleringsarbejdet tidskrævende og samtidig vanskeligt, da de nødvendige inputs i de tidlige designstadier er præget af store usikkerheder og mange muligheder. Derfor kommer de ofte først i spil så sent i designprocessen, at flere afgørende beslutninger om byggeriets udformning allerede er truffet.

Pudsigt nok kan det resultere i mange justeringer frem og tilbage mellem arkitekter, ingeniører og bygherre.  En arbejdsgang der i sidste ende kræver mindst ligeså mange ressourcer. I kraft af det betydelige tidsforbrug, foretages der også kun simuleringer for få udvalgte, kritiske rum, der vurderes repræsentative for bygningen. I grove træk tager man således udgangspunkt i worst case scenarios. Det siger sig selv, at det nok efterlader et uforløst potentiale i forhold til rum, der kan være langt mindre belastede. 

Hele designrummet bør undersøges tidligt

Med støtte fra Elforsk er vi derfor gået sammen med Aalborg Universitet om at udvikle en helt ny metode, der netop giver mulighed for langt mere tilbundsgående undersøgelser på et tidligt stadie. Idéen er at opstille en indeklimamodel af et generisk rum, der hurtigt kan varieres via machine learning og hermed benyttes til at undersøge utallige designmuligheder for et stort antal rum i bygningen. 

I første instans har vi 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 indeklimasimuleringer for kontorbyggeri. 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. 

Lovende resultater

For at teste konceptet, har projektteamet sammenlignet en machine learning model af det generiske rum med et færdigmodelleret kontorrum, hvor der er fastlagt præcis geometri, vinduesplaceringer, skyggeforhold osv. Her så vi 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 disse 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 faser, når man skal vurdere designoptioner. Man vil samtidig kunne undersøge langt flere rum.  Eftersom der kun er minimale afvigelser fra de resultater, man får med detaljerede rum og simuleringer, kan mulige ændringer nemt håndteres i de sene designstadier. 

Større brugervenlighed

Machine learning-modellen af det generiske kontorrum kan benyttes på flere måder, uden man behøver at åbne et simuleringsprogram, hvilket normalt ikke er tilfældet. I fremtiden vil modellerne gøres tilgængelige via en API, så de kan anvendes i parametriske studier i BIM-værktøjer som Dynamo eller Grasshopper. Dette vil gøre det muligt for både arkitekter og ingeniører at få hurtigt feedback i de tidlige formgivende studier og bygningstekniske analyser. Dette er en stor fordel, da BIM-modeller er blevet den foretrukne platform for samarbejde i byggebranchen, da de også rummer gode visuelle egenskaber, hvor alle kan være med.