Проектирование умных зданий будущего с помощью суперкомпьютеров

ИННОВАЦИОННЫЙ ВЫЗОВ

Проектирование умных зданий будущего с помощью суперкомпьютеров

Как машинное обучение и анализ на основе данных могут помочь нам превратить здания в поглотители углерода

Здравствуйте, я Алексей Кондратенко, научный сотрудник Миланского политехнического университета и стажер AI в DBF. Я пишу серию блогов, в которых исследую, как можно использовать суперкомпьютеры и машинное обучение для решения проблемы углеродного воздействия строительной отрасли. В этом блоге мы обсудим, как проектирование на основе данных может помочь сделать здания поглотителями углерода.

Строительство как поглотитель углерода: как мы это делаем?

В моих первых двух блогах мы узнали, почему здания являются основным источником углерода и почему мы должны действовать быстро, чтобы переосмыслить, что здания могут стать поглотителями углерода. В этом блоге я расскажу о том, как мы можем сделать это, используя две ключевые технологии, которые я изучаю в Digital Blue Foam: проектирование на основе данных и машинное обучение (ML). В частности, мы поговорим об ML и его подмножестве под названием Глубокое обучение (DL).

Так что же такое машинное обучение? Проще говоря, машинное обучение позволяет нам создавать инструменты, которые учатся и совершенствуются на основе опыта (данных) без явного программирования для этого. Требуется много данных, чтобы «изучить» систему/функцию и взаимосвязь между входными и выходными данными (если они есть). Конечно, проектирование на основе данных и машинное обучение — не единственные технологии, которые могут помочь нам превратить наши здания в поглотители углерода, но, на мой взгляд, они могут оказаться наиболее эффективными. Более того, высокопроизводительные компьютеры (или суперкомпьютеры) могут очень помочь нам внедрить эти технологии в практику проектирования.

Проектирование на основе данных и машинное обучение — не единственные способы превратить наши здания в поглотители углерода, но, на мой взгляд, они могут оказаться наиболее эффективными.

Проектирование, управляемое данными, и операционный углерод

Если рассматривать операционный углерод, то проектирование, основанное на данных, может помочь следующим образом:

• Анализ дневного света на основе данных. Анализ дневного света чрезвычайно важен в парадигме пассивного проектирования для снижения потребления электроэнергии в наших зданиях, обеспечивая максимально возможное количество естественного дневного света. Как уже упоминалось, для обучения любой модели ML нам нужно много данных, но для отрасли архитектурного проектирования и строительства (AEC) доступно не так много открытых наборов данных. Поэтому распространенный подход заключается в самостоятельном создании синтетических данных для обучения моделей машинного обучения с использованием программного обеспечения для 3D-моделирования. Обычно, чем больше данных у нас будет, тем точнее будут прогнозы машинного обучения. Таким образом, доступ к дополнительным вычислительным ресурсам (таким как суперкомпьютер) может значительно ускорить рабочий процесс генерации данных. В результате становится возможным быстрое исследование влияния возможной массы и ориентации здания на потенциальное использование энергии. Это могло бы помочь нам значительно сократить операционный выброс углерода в новых зданиях.
• Цифровые двойники на основе данных.Алгоритмически сгенерированные данные могут помочь нам создать более совершенные цифровые двойники для управления энергопотреблением существующих зданий. Цифровой двойник — это, по сути, цифровая копия нашего здания и всех его активов, которая обновляется в режиме реального времени. Он использует датчики и технологию Интернета вещей (IoT) для сбора самых последних данных из нашего здания. После сбора некоторых данных об энергии (температура воздуха, электроэнергия, расходы на отопление и т. д.) (что может занять некоторое время) машинное обучение могло бы обучить систему здания и помочь людям оптимизировать ее энергопотребление и, в конечном итоге, даже автономно управлять зданием. без какого-либо вмешательства человека» с помощью так называемого обучения с подкреплением, которое также традиционно считается частью машинного обучения. Позже такие здания могли бы взаимодействовать друг с другом и положительно влиять на всю сеть, к которой они подключены, и на другие умные строительные системы (или просто захватить мир в качестве альтернативы).
• Выработка электроэнергии на месте: прогнозирование воздействия и генерируемой энергии солнечных панелей в зависимости от конфигурации формы и местоположения здания привлекает внимание, но пока не применяется на практике. В любом случае, мы должны помнить, что переход к поглощению углерода зданиями с точки зрения эксплуатационных выбросов углерода во многом зависит от источника электроэнергии, который во многом связан с энергетической отраслью и потенциальными приложениями, основанными на данных.

Дизайн, управляемый данными, и воплощенный углерод

Глядя на воплощенный углерод, дизайн, основанный на данных, может помочь следующим образом:

• Оптимизация надстройки здания для воплощенного углерода с помощью суррогатных моделей: оценка нескольких сценариев проектирования в концептуальном структурном проекте может оказать значительное влияние на воплощенный углерод. Могут быть рассмотрены различные материалы, структурные конфигурации, пролеты колонн и т. д. Однако для доказательства осуществимости любого рассматриваемого варианта требуется структурный анализ в программном обеспечении сложной модели конечных элементов (FEM). Это может значительно увеличить время создания любой структурной системы и, следовательно, уменьшить количество рассматриваемых вариантов. Машинное обучение оказывается полезным, поскольку его можно научить прогнозировать смещения конструкции, вес и т. д. с учетом входных данных о геометрии, материале и условиях нагрузки, а также ускорить создание любого структурного решения, резко увеличивая так называемое пространство проектирования. Данные для обучения машинного обучения в этом случае могут быть сгенерированы синтетически так же, как и для анализа дневного света на основе данных, о котором я упоминал ранее (и здесь также может пригодиться суперкомпьютер). Затем методы оптимизации, такие как генетический алгоритм (ГА), могут помочь инженерам эффективно перемещаться по сгенерированному пространству проектирования и оптимизировать сгенерированные структурные конфигурации. В результате, используя этот метод генеративного проектирования, инженер-строитель может выбрать наилучшую возможную конфигурацию здания с точки зрения воплощенного углерода.
• Облегчение повторного использования материала после окончания срока службы здания:Как я упоминал ранее в статье, при производстве конструкционных материалов выделяется много воплощенного углерода, и его можно было бы значительно сократить, если бы некоторые материалы из сносимые или полностью неиспользуемые/заброшенные здания повторно используются в новых строениях. Кроме того, можно использовать различные методы машинного обучения для создания базы данных доступного строительного фонда из изображений, а затем связывать людей, которым нужны строительные материалы, с людьми, у которых они есть в существующем здании в конце его срока службы.
• Реконструкция зданий.Другие потенциальные приложения машинного обучения для превращения наших зданий в поглотители углерода с точки зрения воплощенного углерода могут быть сосредоточены на улучшении реконструкции существующих зданий вместо строительства новых и повышении эффективности и доступности строительства за пределами площадки. методы (модульный, сборный и др.).

Заключительные мысли

Сегодня мы рассказали о нескольких идеях применения проектирования, управляемого данными, для решения проблемы выбросов углерода в антропогенной среде и о том, как суперкомпьютеры могут помочь нам в этом. Тем не менее, мы только царапаем поверхность! Исследователи из университетов и инновационных компаний по всему миру изучают множество новых способов применения этих технологий, чтобы сделать строительную отрасль устойчивой в будущем.

В следующий раз: как DBF использует проектирование на основе данных и суперкомпьютеры для сокращения выбросов углерода в новых зданиях? Чтобы узнать это, следите за новостями в заключительной части 4!

об авторе

Алексей Кондратенко является стажером по дизайну искусственного интеллекта в Digital Blue Foam и кандидатом наук в Миланском политехническом университете. Имея опыт работы в области проектирования конструкций, он стремится повысить устойчивость застроенной среды с помощью самых современных цифровых технологий. В настоящее время он работает над приложениями AI и ML в проектировании конструкций, представляя свою работу на престижных глобальных конференциях, таких как AI в AEC и DigitalFutures.

О ДБФ

Digital Blue Foam (DBF) включает в себя элитный состав дизайнеров и технологов со всего мира, которые разделяют твердую приверженность осуществлению революции в архитектуре, проектировании и строительстве (AEC) в направлении проектов с отрицательным выбросом углерода за счет использования данных, управляемых , основанные на искусственном интеллекте, совместные и устойчивые подходы. Мы приветствуем сотрудничество и спонсорство, и мы стремимся предлагать индивидуальные решения, которые делают процесс проектирования простым и интуитивно понятным. Чтобы узнать больше о Digital Blue Foam, посетите наш веб-сайт.