Storskalig energirenovering av byggnader krävs för att nå klimatmålen till 2045. Utveckling av digitala stadstvillingar kan göra grund för renoveringsplanering och ge bra beslutsstöd, så att rätt prioritering och bästa faktiska åtgärder görs vid renoveringen.
Projektets arbetsområden
Projektet anpassar och tillämpar maskininlärning (ML) och AI på olika sätt och har följande huvudområden för leveranser:
- Från offentliga databaser hämtas geometridata för att bygga en digital tvilling av byggnaden. För att kunna arbeta med tvillingen behöver den berikas. Projektet utvecklar därför metoder för att kunna extrahera information för prestandasimulering av byggnaden. Det kan vara information för kompletterad 3D-geometri såsom fönster- och takutformning, byggmaterial mm. Metoder för att inhämta informationen sträcker sig från ML genom bildigenkänning till insamling av faktisk information om byggnaden.
- Information om energianvändning eller mer teknisk info, tex u-värden på fönstren i byggnaden fås från fastighetsbolagen i projektet vars byggnader tjänstgör som fallstudier.
- Projektet tar sedan fram optimeringsmetoder baserade på Genetiska algoritmer för energisimulering, livscykelanalys (LCA) och livscykelkostnadsanalys (LCC). På så sätt skapas möjligheter att ”räkna fram” optimerade insatser.
- Projektet implementerar slutligen optimeringsmetoderna i ett beslutsstödsverktyg att användas av behovsägaren. Denne kan vara från större fastighetsägare till hela kommuner. Beslutsstödsverktyget testas och utvärderas av fastighetsbolagen i projektets tre fallstudier.
Förvaltare och kommuner får genom projektet en bättre digital plattform för byggnadsförvaltning. På lång sikt bidrar projektet till att öka renoveringstakten och uppnå klimatmålen. De berikade digitala tvillingarna väntas också ge fördelar utöver renoveringsplanering, tex för planeringen av energiproduktionen i kommunen.