Gebäudedatenmodellierung

Glossar
TypKI-UseCase

Die KI-basierte Gebäudemodellierung ist ein innovativer Ansatz, um Prozesse im Gebäudedesign zu automatisieren und zu optimieren.
Diese Art der Unterstützung kann in verschiedenen Phasen des Gebäudedesigns und der Konstruktion zum Einsatz kommen, einschließlich der Konzeptphase, der detaillierten Designphase und der Konstruktionsphase. Die Modelle können Daten aus verschiedenen Quellen nutzen, wie z.B. CAD-Dateien, BIM-Modelle, geografische Informationen, Umweltdaten und mehr, um genaue und effiziente Gebäudemodelle zu simulieren.


Problemstellung & Zielsetzung

Traditionelle Methoden sind oft zeitaufwändig und erfordern einen hohen Grad an Fachwissen. Darüber hinaus können menschliche Fehler und Unstimmigkeiten in den Modellen zu kostspieligen Fehlern und Verzögerungen in der Konstruktionsphase führen. Ebenfalls bestehen Herausforderung in der Konstruktion nachhaltigerer und energieeffizienterer Gebäude. Diese Hürden können mittles KI-basierter Unterstützung minimiert oder teilweise sogar eliminiert werden. Ebenfalls kann KI in fertiggestellten Objekten (u.a. mittels Robotik und Laserscanner) bei der Navigation durch das Gebäude unterstützen und über Gebäudezustände informieren.

MÖGLICHE KI-METHODIKEN

Die Einbindung von KI in Gebäudemodellierungsprozesse können vielfältig sein. Da häufig aber mit dreidimensionalen Modellen gearbeitet wird, spielt das Computer Vision eine grundlegende Rolle. Auf Basis welcher methodischen Ansätze die Datenverarbeitung stattfindet, ist aber wiederum abhängig von der Aufgabe und deren Anforderungen.

  1. Machine Learning
    1. Supervised Learning - um z.B. aus historisch gelabelten Daten, den Energieverbrauch vorherzusagen.
    2. Unsupervised Learning - um z.B. Muster und Beziehungen in Gebäudedaten zu identifizieren, die nicht offensichtlich sind.
    3. Reinforcement Learning - um z.B. verschiedene Designoptionen auszuprobieren und daraus zu lernen, welche Optionen zu den besten Gebäudeleistungen führen.
  2. Deep Learning
    1. Convolutional Neural Networks (CNN) - zur Analyse von Bildern und visuellen Daten, wie z.B. 3D-Modelle.
    2. Recurrent Neural Networks (RNN) - zur Analyse von Gebäudeleistungsdaten, um präzisere Vorhersagen machen zu können, wie z.B. Energieverbrauch auf Basis mehrerer Variablen.
    3. Autoencoder (AE) - zur Komprimierung großer Mengen an Gebäudedaten, die schwierig zu speichern oder zu verarbeiten sind.

Risiken & Chancen

Best Practices

Quellen