Die Planung der technischen Ausrüstung von Gebäuden (TGA) basiert auf der Erfahrung der Planer mit Unterstützung verschiedener Auslegungsprogramme. Die Verwendung der numerischen Strömungsberechnung (CFD) ist aufgrund der Kosten und des Zeitaufwandes nur in wenigen Fällen möglich. Daher zielt dieses Vorhaben darauf ab, die Planung mit einem einfach nutzbaren, schnell rechnenden Algorithmus für Raumluftströmungen auf Basis eines physikbasierten Maschinenlernverfahrens unter Anwendung der Modellordnungsreduktion zu unterstützen. Damit können Lastberechnungen, Lüftungsauslegung, thermische Behaglichkeit und Luftqualität während des Planungsprozesses intensiver berücksichtigt und sowohl Energieeinsparungen als auch optimaler thermischer Komfort für die Raumnutzer erreicht werden.

TGA-Planung, optimale Regelung lüftungstechnischer Anlagen

Im Projekt sollen Modelle zur schnellen und gleichzeitig hinreichend genauen Vorhersage von Raumluftströmungen entwickelt werden. Grundlage ist die Modellordnungsreduktion, das heißt die Reduktion des hochdimensionalen Lösungsraums der Navier-Stokes-Gleichungen auf einen niedrigdimensionalen Raum, der dennoch die wesentlichen Merkmale der Strömung beibehält. Das resultierende Reduced-Order-Modell (ROM) lässt sich gegenüber den komplexen Navier-Stokes-Gleichungen mit deutlich geringerem Rechen- und Zeitaufwand lösen.

Zur Parameteridentifikation für die ROM sollen Methoden des maschinellen Lernens (ML) zum Einsatz kommen. Durch die Kombination von physikalischen Gesetzen in den etablierten ROM-Ansätzen mit der datengetriebenen Parametrisierung entstehen hybride Modelle, die die Stärken physikbasierter Methoden und ML-basierter Ansätze vereinen.

Mit den entwickelten Reduced-Order-Modellen soll die dreidimensionale Strömung im Raum hinreichend genau hinsichtlich der relevanten Parameter prognostiziert werden. Beispielsweise ist die genaue räumliche Position kleiner Wirbel von geringem Interesse, während folgenden Effekten eine große Bedeutung zukommt:

• qualitativer Verlauf der Luftströmung im Raum
  • Wo gibt es weniger gut durchströmte Bereiche (zu geringere Luftwechselrate zu erwarten)?
  • Wo ist mit erhöhtem Zugluftrisiko zu rechnen?
• qualitativer Verlauf des Temperaturfelds im Raum
  • Wo könnten Temperaturhotspots auftreten?

Der Lösungsansatz stützt sich auf zwei wesentliche Säulen:

• Anwendung hochaktueller weltweiter wissenschaftlicher Entwicklungen zu ML-basierten ROM in der Strömungsmechanik
• Erstellung einer umfassenden Datenbasis für Raumluftströmungen, die für Training, Validierung und Test von Maschinenlernverfahren genutzt werden kann

Zur Sicherstellung einer hohen Datenqualität wird eine Kombination von Messungen und CFD-Simulationen angestrebt. Anhand von Messdaten für einen Büroraum, einen Besprechungsraum und einen Ausschnitt aus einem Klassenzimmer werden CFD-Modelle validiert. Validierte CFD-Modelle bieten die Möglichkeit, umfangreiche Variantenrechnungen durchzuführen und den für ML-Verfahren benötigten Umfang von tausenden bis zehntausenden Datensätzen zu erreichen. Dabei muss sichergestellt werden, dass fehlerhafte Daten erkannt und aussortiert werden, da die ML-Verfahren ansonsten falsches Strömungsverhalten lernen.

Die wissenschaftlichen Veröffentlichungen zu ROM-basierter Strömungsprognose in Verbindung mit ML werden im Projekt intensiv recherchiert und hinsichtlich ihrer Übertragbarkeit und Anwendbarkeit für Raumluftströmungen untersucht. Die meistversprechenden Methoden werden als Programmcode umgesetzt und zur Modellerstellung genutzt.

Das aussichtsreichste Modell zur Raumströmungsprognose wird feingetunt, indem beispielsweise die ideale Anzahl an Neuronenschichten und Neuronen im neuronalen Netz ermittelt wird (Hyperparameter-Tuning). Für jeden Raumtyp wird ein finales Modell erstellt, das abschließend in Fallstudien untersucht wird.