Multi-kriteriale Optimierung und Maschinelles Lernen für klimafreundliche Gebäudeplanung

Entwicklung und Praxisevaluation von Algorithmen und Werkzeugen

Die Einbindung von daten-basierten Prozessen und Methoden in die Planung von Gebäuden ermöglicht es emissionsbedingte Umweltwirkungen und den Verbrauch von endlichen Ressourcen über alle Lebensphasen eines Gebäudes hinweg auf ein Minimum zu reduzieren. Besonders multi-kriteriale Optimierung (MO) kann Bauplaner*Innen beim Entwurf klimafreundlicher Gebäude unterstützen. In Kombination mit parametrischer Modellierung und Gebäudesimulationen erlaubt MO die automatische Suche nach planerischen Lösungen die verschiedenen Kriterien erfüllen, sowie die Abwägung zwischen widersprüchlichen Kriterien, wie z.B. Baukosten und Energieeffizienz. Besonders erfolgversprechend ist der Einsatz von MO in frühen Leistungsphasen, da getroffene Entscheidungen bspw. zur Gebäudegeometrie oder dem Baumaterial den größten Einfluss auf graue und betriebliche (CO2) Emissionen haben. Das hier vorgestellte Projekt entwickelt und testet neuartige Algorithmen der daten-basierten Künstlichen Intelligenz, entwickelt auf diesen Algorithmen basierende Softwarewerkzeuge und demonstriert die Anwendung dieser Werkzeuge auf realistischen Gebäudeplanungen der Ed. Züblin AG. Fachplaner des Generalunternehmers evaluieren die Verwendbarkeit und Effektivität dieser Werkzeuge. Diese, im Bereich der Gebäudeoptimierung sehr seltene, angewandte Forschung soll die praktische Anwendung der entwickelten Algorithmen und Werkzeuge in der Bauplanungspraxis vorantreiben und so zum Erreichen der im Klimaschutzplan 2050 festgelegten Reduzierung von CO2-Emissionen aus Gebäuden beitragen.