Digital Twin technology toward more sustainable buildings

Haidar Hosamo disputerer med ph.d.-avhandlingen Digital Twin technology toward more sustainable buildings 30. november 2023.

Slik oppsummerer kandidaten selv avhandlingen

Digital tvilling for prediktivt vedlikehold, energieffektivisering, og personkomfort i kommersielle bygg er et forskningsområde som setter søkelys på å utnytte teknologi for å øke effektiviteten til bygninger innenfor disse områdene. Gjennom å bruke digital tvilling-teknologi, kan man simulere og analysere driften av et bygg, og bruke dette til å forutsi mulige feil og identifisere muligheter for energieffektivisering. Dette kan bidra til å øke levetiden og energieffektiviteten til bygningen. I tillegg til å forbedre vedlikehold og energieffektivisering, kan digital tvilling også bidra til å øke personkomforten for de som bruker bygningen. Dette kan gjøres ved å bruke teknologi for å optimalisere temperaturen, luftfuktigheten, og andre faktorer som påvirker komforten. Ved å holde disse faktorene innenfor best mulige nivåer, kan man bidra til å redusere stress og øke produktiviteten til brukerne av bygningen.

I forskningen vår har vi brukt prediktivt vedlikehold for ventilasjonssystemet ved å kombinere regler funnet ved hjelp av litteratursøk og av eksperter som har erfaring med drift av ventilasjonssystemer (det vil si AHU performance assesment rules eller APAR) på maskinlæring, basert på to års data fra Tvedestrand videregående skole og I4Helse (universitetsbygning) i Norge. APAR-reglene gir en metodisk tilnærming for å vurdere ytelsen til ventilasjonsaggregater basert på målte data fra systemet, og kan bidra til å identifisere potensielle problemer og feil før de oppstår. Disse reglene brukes sammen med maskinlæringsmetoder for å analysere kontinuerlig oppdaterte data fra ventilasjonssystemet, og for å forutsi fremtidige tilstander og potensielle feil. Dette gjør det mulig å utføre prediktivt vedlikehold og planlegge vedlikeholdsarbeid før det oppstår alvorlige problemer som kan føre til driftsfeil og energitap. Dette viser at prediktivt vedlikehold ved hjelp av digital tvilling-teknologi kan være en formålstjenlig metode for å øke effektiviteten og levetiden til ventilasjonssystemet i kommersielle bygg.

I neste steg av forskningen vår, bygget vi en digital tvilling av et varme- og ventilasjonssystem i Matlab. Deretter brukte vi bygningsinformasjonsmodellering, tingenes internett, maskinlæring, og multiobjektive genetiske algoritmer for å utvikle systemet ytterligere.

Når det gjelder databehandling, viser den digitale tvillingen for varme- og ventilasjonssystemet et høyere nivå av automatisering enn vanlige metoder. I denne studien ble evaluering av bygninger i bruk (Post-Occupancy Evaluation, POE) benyttet for å lage en brukertilfredshetsundersøkelse med fokus på termisk komfort. Undersøkelsen inkluderte både fysiske og ikke-fysiske komfortaspekter, og deltakerne ble bedt om å gi tilbakemelding på ulike komfortparametere knyttet til arbeidsplassen deres. I tillegg ble respondentene bedt om å vurdere sin tilfredshet med de termiske egenskapene til fellesområdene i bygningen. Rominformasjon fra bygningens ufullstendige BIM-modell ble supplert med laserskannerdata for å organisere romdata. Punktsky-modellen som kom fra laserskanner ble behandlet i ReCap Pro og Revit for å lage en nøyaktig representasjon for å samle inn tilbakemelding fra brukerne. Nøyaktighetene til forskjellige prognosemodeller, inkludert wavelet neural network (WNN), random forest (RF), support vector machine (SVM), og artificial neural network (ANN), ble sammenlignet. ANN-modellen overgikk alle andre modeller i nøyaktighet. Den Pareto optimale løsningen for å minimere energiforbruket og PPD ble presentert, med en optimaliseringsprosess som tok omtrent 7,055 timer. Den avdekket avveiningen mellom de to målene. Redusert energiforbruk førte til en økning i PPD både om vinteren og sommeren. Valget av den beste løsningen avhenger av om energi, termisk komfort, eller begge deler ble vurdert som hovedprioritet. Resultatene indikerer at gjennomsnittlig kjøleenergibesparelse for fire sommerdager er rundt 13,2%, og for de tre sommermånedene er det 10,8%, med PPD under 10%.

I forhold til databehandling, viser HVACDT-rammeverket et høyere nivå av automatisering enn tradisjonelle metoder. En annen plugin ble utviklet for å sende optimaliseringsresultatene tilbake til BIM-modellen. For å utforske hvordan bygningskomponenter påvirker energibruken og for å bestemme det beste designet, foreslo denne forskningen en metode som innpasser varme- og ventilasjonssystemet med andre bygningskomponenter som fasader, tak, belysning, og andre relevante komponenter. Den digitale tvillingen ble bygget i programmet IDA ICE, som ble koblet med bygningsinformasjonsmodellen og 12 maskinlæringsalgoritmer, samt en rask ikke-dominerende sorteringsalgoritme. Resultatene viser at bygningens energiforbruk og personkomfort kan forbedres med denne hybridteknikken som kombinerer maskinlæring og optimalisering. Modellen i IDAC ICE ble validert ved hjelp av sensordata. For å utforske mulige løsninger genererte vi opprinnelig 1,236,912 kombinasjoner av beslutningsvariabler. Ved å bruke parvise tester reduserte vi imidlertid kombinasjonene til 8000, noe som dekket alle mulige løsninger mer effektivt. Hver kombinasjon ble brukt som input for IDA ICE, som kjørte en simulering for å beregne årlig energiforbruk. Fullføring av alle simuleringene tok omtrent 16 dager. Den resulterende databasen, bestående av de 8000 kombinasjonene og deres respektive energiforbruksverdier, ble deretter brukt som input for maskinlæringsalgoritmer gjennom visuell programmering (Dynamo). Optimaliseringsprosessen tok hensyn til et bredt spekter av inputvariabler. De mest betydelige egenskapene i litteraturen veiledet utvalget av det første settet med variabler relatert til bygningskroppen, som U-verdier. I tillegg ble variabler som minimum luftforsyning, vindu-vegg-forhold, solvarmevinningskoeffisient (SHGC), last (belysning), solskjerming, reflektanse, nattventilasjon, luftinfiltrasjon, lufttemperaturinnstilling i AHU, vannforsyningstemperaturinnstilling fra sentralvarmesystemet, og varmevekslerens effektivitet i AHU vurdert.

Totalt ble elleve maskinlæringsalgoritmer brukt til å analysere de 8000 simuleringene og lage en prediksjonsmodell mellom bygningsegenskaper og energibruk. Den beste algoritmen var Group Least Square Support Vector Machine (GLSSVM), som til slutt ble brukt i NSGA II som fitness-funksjonen for å beregne bygningens energiforbruk. Resultatene viser at enxiv ergiforbruket og PPD i de Pareto-optimale løsningene ofte er lavere, med verdier under 50 kWh/m².år og 9%, henholdsvis, sammenlignet med det opprinnelige designets energiforbruk på 61,17 kWh/m².år og PPD på 18,5%. Dette tyder på at NSGA-IIløsningene har evnen til effektivt å redusere bygningens energiforbruk samtidig som termisk komfort forbedres. Resultatene viser at bygningens energiforbruk og termisk komfort kan forbedres betydelig ved hjelp av GLSSVM-NSGA II hybridteknikken, som reduserer energiforbruket med 37,5% og øker termisk komfort med 33,5%, henholdsvis. Videre viser resultatene at det energieffektive designet av bygningskroppen bør prioritere U-verdien av yttervegger, etterfulgt av tak, vinduer, og vindu-veggforholdet. Ved å bruke den innovative GLSSVM-NSGAII multi-objektive teknikken, kan designendringer implementeres for å forbedre bygningens energiforbruk og termisk komfortytelse før konstruksjonen starter. Dette hjelper med å velge egnede byggematerialer og design.

Siste trinn i forskningen vår var å vurdere bruken av digital tvilling for feildeteksjon i bygninger, med tanke på ulike byggesystemer. En Bayesianske nettverksbasert sannsynlighetsmodell ble brukt for å vurdere ytelsen til bygninger med hensyn til termisk komfort, visuell komfort, akustisk komfort og romlig funksjonalitet for personkomfort. BN-modellen er basert på en detaljert undersøkelse av bygningens ytelsesegenskaper og svar på spørsmål om tilfredshetsundersøkelse. I tillegg tilbyr denne studien en bygningsinformasjonsmodell -kompatibel brukervennlig visualisering for å gjøre datainnsamling enklere for Tvedestrand videregående skole og I4Helse, ved hjelp av data fra 2019 til 2022. Studiens funn kan hjelpe beslutningstakere i anleggsadministrasjonsindustrien ved å finne faktorene som påvirker brukerkomforten, akselerere prosessen med å oppdage utstyrsproblemer, og foreslå mulige løsninger. Analysen av faktorer som bidrar til beboernes komfort i en bygning involverte tre trinn. Først ble spørreskjemaer utviklet for en brukertilfredshetsundersøkelse, som fanget opp bekvemmelighetsfaktorer som termisk komfort, akustisk komfort, inneluftkvalitet, visuell komfort, og romtilstrekkelighet. Beboerne ga tilbakemelding på ulike aspekter ved hjelp av en Likert-skala og hadde muligheten til å gi tilleggs kommentarer. For det andre ble en probabilistisk modell basert på et Bayesisk nettverk (BN) utviklet, der undersøkelsesfunn og viktige faktorer for ubehag i bygninger ble tatt i betraktning. BN-modellen inneholdt bygnings- og miljøinformasjon, supplert med parametere lagt til BIM-modellen. Til slutt ble et plugin og et visuelt programmeringsgrensesnitt brukt for å koble BIM-modellen, beboernes tilbakemelding, og den probabilistiske modellen, noe som muliggjorde at FM-teamet kunne tolke data gjennom BIM-visualisering og kausal analyse.

Denne studien ble utvidet for å utforske problemet med romtilstrekkelighet og forbedre den prediktive vedlikeholdsprosessen ved å teste 9 maskinlæringsalgoritmer. Følsomhetsanalysen kategoriserer potensielle årsaker til romtilstrekkelighet i lav, middels, og høy potensial basert på deres sannsynlighet for å forårsake ubehag og påvirke ansattes komfort. Årsaker med lavt potensial har minimal innvirkning og er lette å løse, som for eksempel mangel på personlig tilpasning. Årsaker med middels potensial krever mer betydelige endringer, som støyforurensning eller dårlig ergonomi. Årsaker med høyt potensial, som dårlig belysning eller luftkvalitet, har en xv betydelig innvirkning og krever omfattende modifikasjoner. Ved å prioritere disse årsakene, kan ressursene allokeres effektivt for å forbedre ansattes komfort. BIM er verdifullt for å vurdere og håndtere romtilstrekkelighet som en del av en digital tvilling. For prediktivt vedlikehold presterer den ekstreme gradientøkningsalgoritmen (XGB) bedre enn andre, mens Random Forest er raskere og lettere å implementere. Studien introduserer en metode for å bestemme HVACs gjenværende nyttige levetid, noe som potensielt kan forlenge den med minst 10% og resultere i kostnadsbesparelser. Dårlig luftkvalitet, mangel på naturlig lys, og ubehagelig temperatur fremkommer som de mest innflytelsesrike faktorene som påvirker beboernes komfort.

For å oppsummere, denne forskningen har undersøkt bruken av digital tvillingteknologi for å forbedre prediktivt vedlikehold, energieffektivisering, og komfort i kommersielle bygg. Vi har vist at det er mulig å finne feil og forutsi fremtidig tilstand for ventilasjonssystemets komponenter ved å bruke kontinuerlig oppdaterte data, APAR, og maskinlæringsmetoder. Dette kan bidra til vedlikeholdsplanlegging og eliminering av driftsfeil, noe som førte til en årlig energibesparelse. Vi har også vist at ved å innpasse varme- og ventilasjonssystemet med andre bygningskomponenter, og bruke hybridteknikker som kombinerer maskinlæring og optimalisering, kan bygningens energiforbruk og termisk komfort føre til en reduksjon i energiforbruket på 37,5 % og en økning i termisk komfort på 33,5 %. Videre har vi vurdert bruken av digital tvilling for feildeteksjon i bygninger ved hjelp av en sannsynlighetsmodell basert på Bayesianske nettverk, og vist at denne modellen kan gi informasjon om hvilke faktorer som påvirker brukerkomforten, og hjelpe med å oppdage problemer på utstyr, som gjør det enklere for driftsorganisasjonen å ta valg. Alt i alt viser vår forskning at digital tvilling-teknologi kan være et nyttig verktøy for å forbedre vedlikehold, energieffektivisering, og komfort i kommersielle bygg.

Mer om tid og sted for disputasen finner du her.