Machine learning voor laagenergiegebouw

Het vroege bouwontwerp is een iteratief proces. In dit proces evalueren architecten en ingenieurs verschillende ontwerpconcepten om te zorgen dat aan de ontwerpopdracht wordt voldaan. De toenemende behoefte aan een ontwerp om aan bepaalde prestaties te voldoen, heeft gebouwprestatiesimulatie (BPS) in het ontwerpproces geïntroduceerd. Vroege ontwerpbeslissingen hebben de grootste impact op de bouwprestaties. Daarom is het belangrijk om in deze fase van het ontwerpproces goede ontwerpbeslissingen te nemen.

De hoge rekeninspanning, in termen van modelontwikkelingstijd en voorspellingstijd, is hoog. De rekeninspanning gecombineerd met andere factoren zoals de behoefte aan gedetailleerde ontwerpinformatie beperkt BPS in de vroege ontwerpfasen. Dit onderzoek richt zich op het hebben van computermethoden die de voorspellingen zo snel mogelijk opleveren. De snelheid om een voorspelling te verkrijgen is belangrijk voor iteratief vroeg ontwerp, omdat de voorspellingsmodellen de denksnelheid van een ontwerper moeten kunnen bijhouden. Voor eenvoudige BPS duurt het bijvoorbeeld ongeveer 5 minuten om een voorspelling te doen over de ontwerpprestaties. Vijf minuten lijken misschien een onbelangrijke hoeveelheid tijd; Deze tijd neemt toe naarmate er meer ontwerp moet worden geëvalueerd. Bovendien is tijdens het creatieve proces van een ontwerper zijn of haar snelheid van het herhalen van ontwerpopties sneller dan de tijd van een BPS-model om prestatieresultaten te leveren. De trage aard van BPS resulteert in beperkte ontwerpopties die worden geëvalueerd voor de bouwprestaties en mogelijk ontbrekend ontwerp met ideale prestaties.

Bovendien wordt rekensnelheid een uitdaging wanneer ontwerpers met verschillende educatieve achtergronden moeten samenwerken aan een ontwerp. Door de lage rekensnelheid van BPS vertrouwen ontwerpers meer op vuistregelkennis. De toegepaste vuistregelkennis kan al dan niet geldig zijn voor het voorgestelde ontwerpprobleem. Het verhoogt het risico dat de juiste ontwerpbeslissingen niet worden genomen vanuit het oogpunt van prestaties. Om de uitdaging van computationele snelheid te overwinnen, evalueert dit onderzoek machine learning (ML) als een alternatieve methode voor het bouwen van prestatievoorspelling. Reden voor het gebruik van ML is de hoge berekeningssnelheid en voorspellingsnauwkeurigheid. ML-modellen moeten echter uitdagingen zoals generalisatie, herbruikbaarheid en interpreteerbaarheid overwinnen.

Dit onderzoek evalueert generalisatie via twee verschillende benaderingen, namelijk een componentgebaseerde benadering en diep leren. Beide benaderingen modelleren de relatie tussen het bouwen van ontwerpparameters en ontwerpprestaties in hiërarchieën. Resultaten geven aan dat ML-modellen generaliseren in ongeziene ontwerpgevallen, op voorwaarde dat het geëvalueerde ontwerp vergelijkbaar is met de niet-lineariteit die aanwezig is in de distributie van trainingsgegevens. Binnen de ML-algoritmen overtreffen op basis van diepgaande leerarchitecturen gebaseerde convolutionele neurale netwerken (CNN) de traditionele neurale netwerken (NN). CNN kan beter presteren dan traditionele NN omdat het op een hiërarchische manier functies uit de gegevens kan halen.

De herbruikbaarheid van het ML-model wordt geëvalueerd om de rekenkracht te verminderen die nodig is om meerdere ML-modellen te ontwikkelen. Transfer learning en multi-task leermethoden worden geëvalueerd om inzicht te krijgen in herbruikbaarheid van ML-modellen. Het ontwikkelen van twee diepgaande leermodellen duurt achtereenvolgens ~ 22 minuten. Deze ontwikkelingstijd[1] stapelt zich op naarmate het aantal te ontwikkelen modellen toeneemt. Resultaten geven aan dat door zowel overdrachtsleren als multi-task learning de rekeninspanning voor modelontwikkeling kan worden verminderd zonder in te boeten op modelnauwkeurigheid. De ontwikkeltijden worden gereduceerd tot respectievelijk ~ 14 minuten en ~ 8 minuten.

De interpreteerbaarheid van diepgaande leermethoden wordt geëvalueerd via methoden voor het verminderen van dimensionaliteit. Resultaten geven aan dat deep learning-modellen leren de ontwerpruimte te reorganiseren op basis van de energiehandtekening van het ontwerp. Daarom is het getrainde model vergelijkbaar met een top-downbenadering voor voorspellingen, waarbij voorspellingen zijn gebaseerd op ontwerpovereenkomst.

Ten slotte laten de resultaten zien dat ML-modellen ontwerpprestaties voorspellen voor 201 ontwerpopties in 0,9 seconden, terwijl dezelfde resultaten kunnen worden verkregen bij BPS in ~ 20 minuten. Dit laat zien dat ML-modellen aanzienlijk sneller zijn dan BPS. De resultaten geven een indicatie dat ML-modellen inderdaad de snelheid van een ontwerper kunnen bijhouden. Het proefschrift gaat dieper in op de geëvalueerde ML-methoden en de resultaten van het onderzoek.

[1] Het ML-model trainen. Dit is niet hetzelfde als het ontwikkelen van BPS tijdens het ontwerpen.