Ved at kombinere machine learning og en generisk indeklimamodel for et enkelt rum kan man hurtigt undersøge indeklimaet i langt de fleste af rummene i en bygning. Med støtte fra ELFORSK er Artelia og Aalborg Universitet i fuld gang med at udvikle den nye metode, der giver stor værdi i de tidlige designfaser.

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. At finde den perfekte balance derimellem er nemlig en kompleks øvelse. Designteamet har en lang række håndtag, der kan skrues på for at sikre termisk komfort, tilpas dagslys, god luftkvalitet mv. 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. Af den årsag kommer de gerne på banen i de senere faser, hvor der allerede er taget afgørende beslutninger om vigtige aspekter. Pudsigt nok kan det resultere i mange justeringer frem og tilbage, hvilket i sidste ende kræver ligeså mange ressourcer. Det høje tidsforbrug betyder dertil, 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.

Der er således et stort behov for metoder, der automatiserer processen, så man tidligt får truffet de rigtige beslutninger og samtidig får en mere tilbundsgående undersøgelse

Giver blik for hele designrummet
Derfor arbejder Artelia og Aalborg Universitet med at udvikle en helt ny metode. Idéen er 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 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 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 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 og 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 ellers er tilfældet. Halvvejs i projektet er konceptet gjort tilgængelig for Artelias rådgivere via Google Colab platform. Det bliver således allerede nu afprøvet på virkelige cases, hvilket giver værdifuld feedback til den fortsatte udvikling. 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.