Determine the heat demand of existing buildings with machine learning

Lade...
Vorschaubild
Autor:innen
Autor:in (Körperschaft)
Institut Nachhaltigkeit und Energie am Bau, Hochschule für Architektur, Bau und Geomatik FHNW
Publikationsdatum
01.12.2023
Typ der Arbeit
Studiengang
Typ
01A - Beitrag in wissenschaftlicher Zeitschrift
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
Journal of Physics: Conference Series
Themenheft
CISBAT 2023
Link
Reihe / Serie
Reihennummer
Jahrgang / Band
2600
Ausgabe / Nummer
3
Seiten / Dauer
1-7
Patentnummer
Verlag / Herausgebende Institution
IOP Publishing
Verlagsort / Veranstaltungsort
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
The renovation rate of existing buildings plays a major role in the Swiss Energy Strategy 2050+. To increase this rate, there must be a simple and cost-effective method to determine the heat demand of existing buildings. In this paper, the generation of such a method, based on the Swiss cantonal building energy certificate (GEAK) database with the help of machine learning (ML), is studied. The aim of the project was to develop a ML model which allows the heat demand of existing buildings to be determined quickly with a minimal set of parameters. The comparison of the GEAK building envelope class for single family houses calculated with the new ML model and the original GEAK classes shows that approximately 62 % have the same class, 32 % differ by one class and 6 % by two classes. The ML model is a good starting point for further refinements and developments.
Schlagwörter
Machine learning, Deep neural network, Head demand
Fachgebiet (DDC)
624 - Ingenieurbau und Umwelttechnik
Projekt
Veranstaltung
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
Enddatum der Konferenz
Datum der letzten Prüfung
ISBN
ISSN
1742-6588
1742-6596
Sprache
Englisch
Während FHNW Zugehörigkeit erstellt
Ja
Zukunftsfelder FHNW
Publikationsstatus
Veröffentlicht
Begutachtung
Peer-Review der ganzen Publikation
Open Access-Status
Green
Lizenz
'http://rightsstatements.org/vocab/InC/1.0/'
Zitation
HOFMANN, Joachim Werner, Christian AMOSER, Achim GEISSLER und Monika HALL, 2023. Determine the heat demand of existing buildings with machine learning. Journal of Physics: Conference Series. 1 Dezember 2023. Bd. 2600, Nr. 3, S. 1–7. DOI 10.1088/1742-6596/2600/3/032013. Verfügbar unter: https://doi.org/10.26041/fhnw-5920