1. Bakgrunn
Byggesektoren står for rundt 40% av det totale endelige energiforbruket i Skandinavien og har et stort potensial for å redusere energi- og CO2-utslipp. Det er muligt å utnytte en del av potensialet uten større investeringer, men i stedet basere seg på en gunstigere drift og vedlikehold av bygninger. Faktisk er mange bygninger dårlig igangsatt og indregulert fra begynnelsen slik at de aldri fungerer som designet. En sentral utfordring er å utvikle metoder og intuitive verktøy som løpende kan oppdage utstyr og systemer som fungerer dårlig, og automatisk optimalisere ytelsen og driften av en bygning.
2. Hvorfor har vi valgt denne retningen?
BIM (Bygnings Informations Modellering) er en metode til at digitalisere byggeprocessen helt fra ide til nedrivning. Digitale bygningsmodeller kan derfor også være et omdrejningspunkt for samspil og optimering i driftsfasen, samt simuleringer som beslutningsstøtte for større ændringer i driften.
Mens BIM gir prosedyrer og teknologier som muliggjør representasjon av bygningskomponenter og -systemer, kreves det en mer helhetlig karakterisering av de komplekse systemene. Dette involverte en datastrøm fra sensorer mellom den virtuelle og fysisk modell. Så er det viktig å montere sensorer på bygget. For eksempel, Sensorene plukker opp endringer i temperatur og luftkvalitet i hvert rom. Sensorene gir også informasjon om hvor mange mennesker som oppholder seg der og sender en varsler når noe skjer med strømnettet. Denne teknologien kalles den digitale tvillingen.
Disse nye teknologiene vil muliggjøre mye mer sofistikert energieffektiv kontroll og strategi for styring av bygninger, som også kan omfatte vedlikeholdelse.
3. Vision
Vi forestiller oss en fremtid med åpen adgang til Oppnåelige, pålitelige, allestedsnærværende sanntidsdata fra bygninger, slik at digitale løsninger raskt kan iverksettes og skaleres sådan at bygninger kan drives på en rasjonell og energieffektiv måte med en svært tilgjengelig programvare.
Ved å omfavne moderne IT-tilnærminger er håpet at ledelsen og driften av bygningstjenester kan forenkles og automatiseres, samt redusere avhengigheten av manuelle inngrep.
Inne i denne visjonen er hovedformålet å bidra til å utnytte den nye revolusjonen innen digital teknologi for både å forbedre bygningers bærekraft.
4. Case studies
Målet er å samle bevis på fordelene med smarte bygningsapplikasjoner og formidle det til interessenter. Sentralt i gjennomføringen av denne strategien er identifisering av passende casestudier. I dette arbeidet velges casestudier fra eksisterende eller nylig ferdigstilte offentlige bygninger (ut fra at i4Helse, Grimstad og Tvedestrand videregående skole er valgt).
Stipendiaten i forskningsprosjektet bidrar på partnerskapsmøter i Interreg prosjektet, både i diskusjoner og skriftlig, slik at resultater fra forskningsprosjektet kommer alle partnerne til gode. Det er ønske om et tett samarbeid med case- prosjektene i Danmark og Sverige slik at man får en synergi effekt på tvers av landegrensene.
Forskningsprosjektet har en stor fordel av å være en del av Interreg- prosjektet S2C på grunn av tilgangen til kunnskap og erfaring fra både Danmark, Sverige og Norge. Dette vil gjøre forskningen mer relevant for flere aktører på tvers av Skandinavia, nettopp fordi forskningsprosjektet har mulighet til å ta inn hvilke indikatorer som påvirker bærekraftige bygg fra samtlige av case- prosjektene i Interreg- prosjektet S2C.
5. Resultater så langt og fremtidsvisjonen
Som nevnt tidligere har det vært fokusert på to casestudier i løpet av dette forskningsprosjektet. Vi studerte først I4Helse-bygget, og fokuset var å avdekke feilene i varme-, ventilasjons- og klimaanlegget (HVAC) ved hjelp av BIM og maskinlæring. Tre moduler er implementert for å utføre et prediktivt vedlikeholdsrammeverk: driftsfeildeteksjon i AHU basert på APAR-metoden (Air Handling Unit Performance Assessment Rules), tilstandsprediksjon ved bruk av maskinlæringsteknikker og vedlikeholdsplanlegging. Vi samler inn alle nødvendige data mellom august 2019 og oktober 2021.
Inspeksjonsinformasjon og tidligere vedlikeholdsjournaler innhentes også gjennom FM-systemet. Resultatene viser at de kontinuerlig oppdaterte dataene kombinert med APAR og maskinlæringsalgoritmer kan oppdage feil og forutsi den fremtidige tilstanden til Air Handling Unit-komponenter (AHU), noe som kan hjelpe til med vedlikeholdsplanlegging. Å fjerne de oppdagede driftsfeilene resulterte i årlige energibesparelser på flere tusen dollar på grunn av eliminering av de identifiserte driftsfeilene.
Den andre casestudien var på Tvederstrand VGs. Vi samlet inn data fra bygget og sammenlignet det med en simuleringsmodell ved bruk av IDA ICE for å validere simuleringsmodellen. Vi brukte deretter maskinlæring for å fange opp mønstrene i energiforbruket og den termiske komforten til beboerne. En hybrid optimaliseringsmetode ble deretter brukt for å redusere energiforbruket og øke termisk komfort samtidig.
Viktigheten av arbeidet vårt i disse casestudiene er ikke bare å redusere energiforbruket og øke termisk komfort, men også å bruke de nye teknologiene, inkludert Revit-plugin, nettbaserte applikasjoner og Dynamo-skript, for å gjøre feildeteksjon og energioptimalisering til en automatisk metode og lage et brukervennlig grensesnitt for brukere.
Utvikling av nettbaserte optimaliseringsmodeller vil være vårt fokus i nær fremtid, som kan være åpne for alle brukere.
Vi ønsker her å nevne at dette arbeidet ikke ville vært mulig uten støtte fra S2C-prosjektet ved å gi casestudie og finansiering til forskningsprosjektet. Tusen takk!
