INNOVATION SCOUT · ORGANISATION
Universität Paderborn: die Wirkung von Sanierungsmaßnahmen mit KI untersuchen
Forschung aus Paderborn vergleicht kausale Lernverfahren für energetische Sanierung. Ein synthetischer Gebäudebestand ermöglicht kontrollierte Wirkungsvergleiche.
Auf dieser Seite
Die Wirkung einer Maßnahme als eigene Forschungsfrage
Die Arbeit von Zalipski, Zapata Gonzalez und Müller untersucht kausales maschinelles Lernen für energetische Sanierungsmaßnahmen. Verwendet werden 50.000 synthetische Gebäude auf Grundlage von TABULA-Klassen und vier Eingriffe an der Hülle.
Quellen: 13.
Vergleich unter kontrollierten Bedingungen
Die synthetische Datenwelt erlaubt es, Zustände mit und ohne Maßnahme sowie verzerrte Auswahlentscheidungen gezielt zu erzeugen. Dadurch lassen sich Verfahren an bekannten Wirkungszusammenhängen vergleichen. Die Arbeit berichtet gute Ergebnisse für Double Machine Learning unter ihren Modellannahmen.
Dieser Ansatz ergänzt die Vorhersage eines Energieverbrauchs um eine gezieltere Frage: Welcher Unterschied entsteht durch die betrachtete Veränderung? Für die Sanierungsplanung ist das eine wichtige Perspektive bei der Bewertung verschiedener Eingriffe.
Quellen: 13.
Den Anschluss an reale Bestände entwickeln
Reale Gebäude bringen zusätzliche Einflüsse mit: Nutzung, Ausführungsqualität und die tatsächliche Umsetzung geplanter Maßnahmen müssen bekannt sein. Eine praktische Weiterentwicklung benötigt deshalb nachvollziehbare Interventionsdaten und geeignete Vergleiche.
Für Bestandshalter entsteht daraus ein langfristiger Nutzen guter Dokumentation. Wer Maßnahmen, Zeitpunkte und Betriebsbedingungen konsistent festhält, verbessert die Grundlage, um aus späteren Erfahrungen für weitere Sanierungsentscheidungen zu lernen.
Wissensbasis und Verknüpfungen
Verknüpfte Bauprozesse
- Planung & DesignVergleich unter kontrollierten Bedingungen
- Strategie & ProjektentwicklungVergleich unter kontrollierten Bedingungen
- Betrieb & InstandhaltungVergleich unter kontrollierten Bedingungen
Verknüpfte Technologie- und Anwendungsfelder
- KI-gestützte Planung & Generative DesignVergleich unter kontrollierten Bedingungen
- Predictive Analytics & EntscheidungenVergleich unter kontrollierten Bedingungen
- Nachhaltigkeit & ESGVergleich unter kontrollierten Bedingungen
- BIM & Digitaler ZwillingVergleich unter kontrollierten Bedingungen
Verknüpfte Organisationen und Projekte
- Kausale ML-Sanierungswirkung im synthetischen Bestand
- Forschungsbeteiligung am bezeichneten Projekt
Verknüpfte Fachbegriffe und Detailthemen
- Maschinelles Lernen
- Die Universität Paderborn vergleicht kausale Lernverfahren, um die Wirkung energetischer Sanierungsmaßnahmen an einem synthetischen Gebäudebestand zu untersuchen.
Quellenverzeichnis
Quelle 8: Estimating Heterogeneous Treatment Effects of Building Energy Efficiency Retrofits Using Machine Learning
Externe Quelle öffnen ↗ (öffnet in neuem Tab)
Geltungsbereich und Verwendung
Geltungsbereich: Empirische Schweizer Gebäudedaten und Grenzen der Maßnahmenzuordnung
Verwendung im Profil:
Quelle 9: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques
Externe Quelle öffnen ↗ (öffnet in neuem Tab)
Geltungsbereich und Verwendung
Geltungsbereich: ML-Kostenschätzung in früher Sanierungsplanung
Verwendung im Profil:
Quelle 10: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO
Externe Quelle öffnen ↗ (öffnet in neuem Tab)
Geltungsbereich und Verwendung
Geltungsbereich: Physiksimulation, Ersatzmodell und Mehrzieloptimierung
Verwendung im Profil:
Quelle 11: Catalyzing Informed Residential Energy Retrofit Decisions via Domain-Specific LLM
Externe Quelle öffnen ↗ (öffnet in neuem Tab)
Geltungsbereich und Verwendung
Geltungsbereich: Spezialisiertes Sprachmodell für frühe Sanierungsorientierung
Verwendung im Profil:
Quelle 13: Predicting Heterogeneous Treatment Effects Of Building Energy Saving Retrofits Using Causal Machine Learning
Externe Quelle öffnen ↗ (öffnet in neuem Tab)
Geltungsbereich und Verwendung
Geltungsbereich: Kausale Wirkungsmodelle unter kontrollierten Annahmen
Verwendung im Profil: