Predicting annual illuminance and operative temperature in residential buildings using artificial neural networks

Abstract

Mennesker bruker 87 % av tiden sin innendørs, for det meste i sin egen bolig. Innemiljøet er en avgjørende faktor for folks helse og velferd. Det er en økende utfordring med overoppheting i bygninger på grunn av varmere klima. I tillegg har sentralisering og strengere byggekoder ført til at man bygger mer kompakt, noe som gjør det mer utfordrende å oppnå dagslyskriterier i nye byggeprosjekter. Building Performance Simulation (BPS) viser seg å være en effektiv tilnærming for å støtte designet og finne en balanse mellom dagslys, termisk komfort og energiytelse. Dagens praksis innebærer at disse aspektene blir behandlet hver for seg, noe som fører til økt tidsbruk og kostnader i byggeprosjekter. Verktøy som adresserer problemstillingen er mangelvare og oppgaven er motivert av å løse denne utfordringen. Bruken av kunstige nevrale nettverk (ANN) viser seg å være lovende og gir god støtte til BPS, på grunn av en reduksjon i den totale beregningstiden.

Denne oppgaven undersøker potensialet for å anvende ANNs til å forutsi både årlig dagslysbelysning og operativ temperatur. De viktigste funnene fra å etablere en simuleringsmodell, er viktigheten av flere beregningspunkter for beregninger av operativ temperatur. Operativ temperatur beregnes vanligvis i midten av rommet, i motsetning til dagslysberegninger hvor beregningene blir gjort for et rutenett av beregningspunkter. I denne studien er operativ temperatur beregnet for et rutenett av beregningspunkter som inkluderer lang- og kortbølgestråling. Resultatene viser en signifikant forskjell i operativ temperatur på forskjellige punkter i rommet, og kortbølgestråling viser seg å ha størst innvirkning på resultatene. Det er derfor viktig å beregne operativ temperatur på samme måte som dagslysberegninger, ved hjelp av et rutenett av beregningspunkter, når man utforsker optimalisert ytelse med flere mål. Disse beregningene er imidlertid beregningskrevende og øker simuleringstiden med 2000 %. Det er derfor undersøkt potensialet for å anvende maskinlæringsteknikker, for å delvis erstatte og redusere de tidkrevende simuleringsmetodene, for å oppnå alle design målene.

Et fullt koblet nevralt nettverk er utviklet med fem skjulte lag og fem forskjellige nevronstrukturer. ANN-modellen for operative temperatur er generelt best til å forutsi årlige verdier og nådde et avvik med CV(RMSE) på 3,8 %, nøyaktighet på 98 % og gjennomsnittlig avvik innen 0,47 °C. Dagslys ANN-modellen er mindre nøyaktig. Resultatene viser at direkte soleksponering er vanskelig å forutsi med en fem-lags ANN-struktur, og modellen undervurderer ofte disse variasjonene. Den overordnede modellen er presis, men ikke nøyaktig, noe som betyr at den følger samme mønster, men beregner konsekvent lavere temperatur- og dagslysverdier.

Generelt viser ANN-modellene lovende resultater som kan integreres i en multi-objektiv arbeidsflyt. Resultatene viser betydelig potensial i tidsbesparende ved å implementere ANNs. Den totale tiden ble redusert med 96 % ved å bruke ANN-modeller for å forutsi verdier for årlig temperatur og lysstyrke.

Humans spend 87 % of their time indoors, mostly in their own residence. The indoor environment is a crucial factor for people’s health and welfare. There is an increasing challenge with overheating in buildings due to hotter climate. In addition, centralization and stricter building codes has led us to build more compact, making it more challenging to achieve daylight criteria in new building projects. Building Performance Simulation (BPS) is proving to be an effective approach for supporting the design and finding a balance between daylight availability, thermal comfort and energy performance. In current practice these aspects are treated separately, which leads to increased time and costs in building projects. Tools that address the problem are in short supply and the task is motivated by solving this challenge. The use of artificial neural networks (ANNs) promises great support and improved feasibility to BPS, due to a reduction in overall computation time.

This thesis investigates the potential for applying ANNs to predict both annual daylight illuminance and operative temperature. The main findings from deploying a simulation model is the importance of multi sensor-node calculations for operative temperature. Operative temperature is usually calculated for the room center, in contrast to daylight where illuminance is calculated for a grid of sensor-nodes. In this study, operative temperature including long- and shortwave radiation have been calculated for a grid of sensor-nodes. The results show a significant difference in operative temperature at different locations in the room where shortwave radiation has greatest impact on the results. It is therefore important to address operative temperature in the same way as daylight illuminance, using a grid of sensor-nodes when exploring multi-objective optimization performance. However, these calculations are computational demanding and increase simulation time by 2000 %. The author has therefore investigated the potential for applying machine learning techniques, to partially replace and reduce the time-consuming simulations methods in order to achieve multi-objective design targets.

A fully connected neural network is developed with five hidden layers and five different neuron structures. The ANN model for operative temperature performed overall best for predicting annual values, reaching a CV(RMSE) of 3.8 %, an accuracy of 98 % and an average prediction within 0.47 °C. The ANN model for daylight is less accurate. The results show that direct sun exposure is difficult to predict with a five-layer ANN structure and the model often underestimates these variations. The overall model is precise but not accurate, meaning it is following the same pattern, but is consequently predicting lower temperature and illuminance values.

In general, the ANN models are showing promising results which may be integrated in a multi-objective design workflow. The results show significant time saving potential by implementing ANNs. The overall time is reduced by 96 % by using ANN models for predicting annual temperature and illuminance values.