Wissensbank und Machine-Learning-Assistenz für performance-orientiertes Bauen

Performance-orientiertes Bauen mit dem Ziel geringer Umweltauswirkungen und geringer Lebenszykluskosten ist für Nachhaltigkeit heutzutage eine zentrale Notwendigkeit. Schon in frühen Phasen werden in der Entwurfsentwicklung und Detaillierung entscheidende Festlegungen für die Performance getroffen. Jedoch sind Potenziale und Auswirkungen solcher Entwurfsentscheidungen oft nicht bekannt. Die komplexen Abhängigkeiten werden nur unzureichend überschaut. Um performance-orientiertes Bauen zu unterstützen, wird daher ein Prognose- und Assistenzsystem entwickelt, das in die digitale Modellierung von Gebäuden mit den entsprechenden Detaillierungsprozessen in frühen Entwurfsphasen eingebettet wird.

Zur unmittelbaren Performance-Prognose werden aufwendige Modelle der dynamischen Simulation, wie sie für Heizen und Kühlen oder für Tageslicht in Gebäuden erforderlich sind, durch einen komponentenbasierten Ansatz des maschinellen Lernens (ML) ersetzt. Einem Paradigma des Systems Engineering folgend, bildet dieser Ansatz Gebäudekonstruktion und -technik, ab und erfasst das dynamische Verhalten des Gebäudeentwurfs durch gekoppelte ML-Komponenten. Statische Berechnungen, wie sie für Lebenszyklusanalyse (LCA) und Lebenszykluskosten (LCC) notwendig sind, werden ebenfalls in den Komponentenansatz integriert. Unsicherheiten sowohl in dynamischen wie auch in statischen Berechnungen werden durch Sampling-Verfahren erschlossen. Die so entwickelten Komponenten und Performance-Modelle werden für einen schnellen Zugriff in einer Wissensbank abgelegt, um sie unmittelbar im digitalen Entwurfs- und Detaillierungsprozess einsetzen zu können.

Darauf aufbauend wird ein Assistenzsystem entwickelt, das gezielt Empfehlungen in Form von Detaillierungsoptionen und -strategien für eine Entwicklung des Entwurfs gibt, die eine überdurchschnittliche Performance aufweisen. Dazu werden, bezogen auf die einzelne Entscheidungssituation, Detaillierungen auf Basis von Expertenwissen durch alternative Graphtransformation beschrieben. Der so beschriebene Entwurfsraum wird durch Sampling- und Optimierungsverfahren erkundet, Optionen mit hohem Potenzial identifiziert und als Strategien für informierte Entscheidungen zurückgegeben. In einem weiteren Schritt wird mittels der Merkmale und Ähnlichkeiten der Entscheidungssituationen ein Assistenzsystem auf Basis des maschinellen Lernens entwickelt. Auf Basis der Ergebnisse der Entwurfsraumerkundung wird eine Klassifizierung erlernt, die in ähnlichen Entscheidungssituationen Detaillierungsoptionen und -strategien vorschlägt. Diese Empfehlungen und die entsprechenden Evaluierungen stehen im Rahmen ihrer Übertragbarkeit als Rückmeldung für informierte Entscheidungen im performance-orientierten Bauen zur Verfügung.