Predicting Building Energy Consumption Considering Climate Change Using 6D BIM and Machine Learning

Dieses Kapitel präsentiert ein bahnbrechendes Rahmenwerk, das 6D Building Information Modeling (BIM) und maschinelles Lernen nutzt, um den Energieverbrauch von Gebäuden unter Berücksichtigung der Auswirkungen des Klimawandels vorherzusagen. Die Studie beleuchtet die Grenzen traditioneller Methoden zur Energieeinschätzung und führt einen dynamischen Prozess ein, der grafische und nicht-grafische Daten integriert, um den Energieverbrauch präzise zu beurteilen. Das Rahmenwerk umfasst vier Schlüsselphasen: die Erstellung eines Datensatzes mithilfe eines 6D-BIM-Tools, die Schulung von maschinellen Lernmodellen zur Vorhersage des aktuellen Energieverbrauchs, die Generierung zukünftiger Klimadaten unter repräsentativen Konzentrationspfad-Szenarien (Representative Concentration Pathway, RCP) und die Entwicklung eines Regressionsmodells zur Vorhersage des Energieverbrauchs unter Berücksichtigung der Auswirkungen des Klimawandels. Die Studie setzt TerMus PLUS für die Energiesimulation und Meteonorm für die Erzeugung zukünftiger Wetterdaten ein. Vier leistungsstarke Regressionsalgorithmen - Unterstützung der Vektorregression (SVR), Adaptives Boosting (AdaBoost), Extreme Gradient Boosting (XGBoost) und Artificial Neural Network (ANN) - werden verglichen, wobei ANN eine leicht überlegene Leistung zeigt. Der Rahmen wird anhand einer Fallstudie an einem Privathaus in Hanoi, Vietnam, demonstriert und seine praktische Anwendung und Effektivität aufgezeigt. Die Studie schließt mit der Diskussion der Implikationen und zukünftigen Richtungen für die Verbesserung der Echtzeit-Datenintegration und der Erforschung fortschrittlicher Zeitreihenmodelle, um die Genauigkeit bei der Vorhersage des Energiebedarfs von Gebäuden bis zum Jahr 2100 zu verbessern.