Building a digital twin of the thermodynamic behaviour of a building using hybrid modeling

Abstract

Denne oppgaven presenterer et Hybrid Analysis and Modeling(HAM) rammeverk med det formål å realisere en prediktiv digital tvilling (DT) av den termodynamiske oppførselen til en boligbygning. En DT er en digital sanntidsrepresentasjon av dens fysiske motpart. DT-er for bygninger fremheves som en av hovedteknologiene for å øke effektiviteten til byggesektoren betydelig når det gjelder dens økonomiske, sosiale og miljømessige påvirkning. Bruken av DT-er er imidlertid fortsatt begrenset. Dessuten er en DT avhengig av modeller som er nøyaktige, beregningseffektive, generaliserbare og tolkbare for å være klarert til å styre komplekse, høyrisiko systemer slik som bygninger. I tillegg er en DT kjent for å være basert på data og simulatorer. For å løse dette foreslås et HAM-rammeverk for å koble to svært tilgjengelige, men underutnyttede ressurser som finnes i byggesektoren. Disse ressursene er IoT-sensordata og bygningsenergisimulatorer. Det presenterte HAM-rammeverket er realisert gjennom modellering for dimensjonsredusering og Corrective Source Term Approach (CoSTA) som er en ny tilnærming til HAM. Det foreslåtte rammeverket resulterte i en prediktiv modell som var mer nøyaktig og beregningseffektiv enn bygningsenergisimuleringene. Dessuten ble tolkbarheten og generaliserbarheten til simulatoren i stor grad overført til HAM-modellen. Problemstillinger med rammeverket ble imidlertid avdekket, og konklusjonen inneholder derfor store usikkerhetsmarginer. Det foreslåtte HAM-rammeverket korrigeres bare én gang, noe som gjør at modellen ikke kan utvikle og tilpasse sine prediktive evner over tid. Det nåværende HAM-rammeverket er derfor ikke pålitelig i en DT-setting. Rammeverket må derfor videreutvikles for å kunne trekke noen helt sikre konklusjoner.

This thesis presents a Hybrid Analysis and Modeling(HAM) framework for the purpose of realizing a predictive Digital Twin(DT) of the thermodynamic behaviour of a residential building. A DT is a digital real-time representation of its physical counterpart. In fact, DTs of buildings are highlighted as one of the main technologies for substantially increasing the effectivity of the construction sector in terms of its economic, social, and environmental impact. However, the deployment is still sparse. Moreover, a DT is reliant on models which are accurate, computational efficient, generalizable, and interpretable in order to be trusted in governing complex, high-stake systems such as a building. Additionally, a DT is known to be enabled through data and simulators. To address this, a HAM framework is suggested for coupling two highly available, but underutilized resources found in the construction sector. These resources are IoT sensor data and building energy simulators. The presented HAM framework is enabled through reduced order modeling and the novel approach to HAM named the Corrective Source Term Approach(CoSTA). The proposed framework resulted in a predictive model which was more accurate and computational efficient than the building energy simulations. Moreover, the interpretability and generalizability of the simulator largely transferred to the HAM model. However, issues with the framework was exposed, and the conclusion does therefore contain large margins of uncertainties. The suggested HAM framework does only correct once which causes the model to be unable to evolve and adapt its predictive abilities with time. The HAM framework is therefore not trustworthy in a DT setting. Consequently, the framework is in need of further development in order to draw any certain conclusions.