Recomendación: use NSDT Designer para crear rápidamente escenas 3D programables.
La tecnología BIM en la industria AEC (arquitectura, ingeniería, construcción), que permite que los edificios se construyan virtualmente antes de que comience la construcción real; esto brinda muchos beneficios tangibles e intangibles: sobrecostos reducidos, coordinación más eficiente, mayor poder de toma de decisiones y más. Para algunas empresas, la adopción de BIM es un gran obstáculo que superar, y muchas todavía tienen dificultades. Pero ahora vemos otra nueva tendencia en la industria: la inteligencia artificial. No tengamos miedo de echarle un vistazo más de cerca. ¡Es más fácil de lo que piensas!
En este artículo, presento mi tesis de maestría titulada "Optimización del rendimiento energético del modelo BIM utilizando redes neuronales profundas".
1. Plantear la pregunta
Muchas estimaciones diferentes sugieren que aproximadamente el 70-80% de los costos de las instalaciones se gastan en operaciones.
Por supuesto, esto también se debe al mantenimiento, pero recuerde que a veces se hace referencia a la construcción como la "industria del 40 %" porque utiliza el 40 % de los recursos naturales y las emisiones de CO2 del mundo. ¡Deberíamos cuidar mejor la naturaleza!
Intentaré encontrar un marco para optimizar el consumo de energía de los edificios, esto se conoce como EUI, o Intensidad de uso de energía, medida en MJ (o kWh)/m²/año. Green Building Studio realizará el análisis energético utilizando el motor DOE-2 y el archivo gbXML exportado de Revit.
2. Obtener datos BIM
Primero, necesitamos hacer algunas suposiciones. Mantengamos el mismo sistema HVAC para cada modelo que probaré (es decir, se usará el modelo HVAC estándar para una casa unifamiliar proporcionado por Revit para cada modelo de Revit). De hecho, en una instalación real, se puede reemplazar con el tiempo con accesorios y sistemas más eficientes, o es posible que ni siquiera conozcamos el tipo de HVAC desde el principio.
En su lugar, centrémonos en las características más permanentes del edificio, como la conductividad térmica (R, m²K/W) de suelos, paredes y techos, la relación ventana-pared y la rotación en planta. Estas son las funciones con las que experimentaré.
Otra suposición es que nuestro modelo de Revit será una caja normal con una sola habitación adentro, sin particiones ni ventanas (la relación ventana-pared se asignará más adelante). Esto es para simplificar el análisis.
Así que probemos todas las combinaciones de los siguientes rangos de parámetros:
10368 combinaciones son demasiadas, pero la API de Revit ayudará. Green Building Studio utiliza archivos gbXML que Revit puede exportar. Este script aplica combinaciones de valores de resistencia térmica y rotaciones de planos a los modelos y exporta cada modelo combinado a formato gbXML. Se logran diferentes valores de resistencia térmica cambiando la conductividad térmica de los activos térmicos. Cambiar el grosor introduce otro factor en el análisis: la superficie de análisis siempre está en el medio del elemento, por lo que el área total varía con el grosor de la pared.
Después de analizar el directorio gbXML para obtener las rutas de todos los archivos, estamos listos para cargar los 3456 (121212*2) archivos gbXML a Green Building Studio. Utilice el paquete de Dynamo Análisis de energía para Dynamo.
Una vez que se completa el análisis, podemos comenzar a asignar proporciones de ventana a pared en Green Building Studio. Desafortunadamente, el paquete de Dynamo no tiene esta funcionalidad y la API de GBS es solo para desarrolladores, por lo que tuve que recurrir a la automatización del navegador para asignar WWR. Sin embargo, esto solo debe hacerse una vez, y veremos por qué más adelante. Una vez que se completa el análisis de energía, podemos analizar los datos en GBS y verificarlos a fondo.
Ahora, repitamos todos los pasos anteriores con otro modelo de Revit simple pero diferente.
Necesitaremos estos datos para su uso posterior.
3. Red neuronal de entrenamiento
La inspección y preparación de datos es imprescindible para cada proyecto de aprendizaje automático. Pero en este caso, no tenemos datos faltantes ni valores atípicos: nuestros datos se crean artificialmente. Así que podemos saltarnos con seguridad muchos pasos de comprobación. Escribiré otro artículo que describa las redes neuronales con más detalle. Si te interesa, aquí tienes el guión. Pero para resumir, una red neuronal, dada una gran cantidad de datos, puede derivar reglas que rigen esos datos. En comparación con la programación tradicional, damos reglas y datos para obtener respuestas.
Las redes neuronales son útiles cuando las reglas son difíciles de codificar: reconocimiento facial o de voz, procesamiento de lenguaje natural, traducción, análisis de sentimientos, etc.
La red que diseñamos para los datos BIM en este documento tiene la siguiente arquitectura:
La capa de entrada (verde) tiene 5 unidades. Estos son nuestros parámetros: WWR, rotación en el plano y tres valores de resistencia térmica. La capa de salida (amarilla) es el valor de EUI. Piense en esta red (capa azul) como una matriz gigante donde el primer paso contiene solo números aleatorios. Para entrenar la red, nuestra capa de entrada (vectores) se multiplica por una serie de matrices para obtener predicciones de valores de EUI. Luego, la predicción se compara con el valor EUI real y los números en la red se actualizan para predecir mejor la salida. Este ciclo se repite hasta que estemos satisfechos con el rendimiento.
Ahora es el momento de entrenar nuestra red en los puntos de datos del primer modelo de caja. El 94 % de ellos se utilizará para entrenar nuestra red y el 6 % se utilizará para validar la red y ajustar algunos parámetros que afectan a la red para un mejor rendimiento.
Después del entrenamiento, usamos la red para predecir 10368 valores de EUI:
El error se mantiene dentro del 0,2%, lo que no está nada mal. Entre otras cosas, las redes transforman nuestros datos de discretos a continuos. En otras palabras, ahora podemos obtener valores de EUI para parámetros que antes no se podían obtener, por ejemplo, 21 % WWR o R=2,45.
Bien, esto nos lleva al siguiente paso.
4. Transferencia de aprendizaje
¿Recuerdas el segundo modelo de Revit que hicimos en el paso uno? Ahora lo usaremos a través de una técnica llamada "aprendizaje de transferencia". Tomemos la red entrenada en el paso anterior y hagamos que las primeras cuatro capas no se puedan entrenar:
O, en otras palabras, concentrémonos en las dos últimas capas.
En este punto, la red "conoce" los principales patrones y tendencias y cómo afecta cada parámetro al EUI. Pero solo para el primer modelo de Revit.
Ahora "presentemos" el nuevo modelo de Revit en nuestra red volviendo a entrenar las últimas dos capas con nuevos datos. Pero hay una diferencia importante: esta vez solo el 6% de los datos se utilizan para entrenamiento y el 94% para validación. No se realiza ningún ajuste de hiperparámetro. Después del entrenamiento obtenemos este resultado:
Nota: El tiempo de entrenamiento es de aproximadamente 1 o 2 minutos, en comparación con las 2 o 3 horas del modelo de la primera caja de Revit, y las predicciones son casi tan precisas.
5. Experimentos sobre la relación conjunto de entrenamiento/conjunto de validación
¿Por qué insistir en una proporción de capacitación a validación del 6%? Intentémoslo de nuevo y veamos cómo funciona.
4% datos de entrenamiento
1% datos de entrenamiento
0,25 % de datos de entrenamiento
Resulta que alrededor del 1-2% de la relación de validación del tren, el rendimiento comienza a disminuir significativamente.
Tenga en cuenta que el entrenamiento se detiene después de que la función de pérdida alcanza una meseta
6. Resultados y comparación
¡Felicidades! Ahora tenemos una red neuronal entrenada para predecir el consumo de energía de un modelo de Revit en una amplia gama de parámetros utilizando una pequeña cantidad de datos. Es posible que el modelo ni siquiera tenga ventanas. El último paso que hicimos lo demostró: al introducir algunos puntos de datos del modelo que queríamos analizar, obtuvimos estimaciones bastante precisas con poco error.
Para enfatizar el efecto del aprendizaje por transferencia, usemos la red que acabamos de entrenar para predecir el EUI de los dos modelos.
Una red: dos predicciones de modelo de Revit
Dicho esto, no podemos tomar una red neuronal estocástica y esperar que funcione con nuestro modelo: se debe realizar un análisis de energía. Sin embargo, se puede automatizar como la primera parte.
7. El futuro del trabajo
Ahora que tenemos una red neuronal que puede predecir con precisión el consumo de energía, además de probarla con modelos complejos de Revit, debemos dar un paso hacia la optimización real. Para encontrar la combinación óptima de parámetros, es necesario establecer un modelo de costos. Los modelos de costos deben incluir materiales, mano de obra, posible mantenimiento, costos de energía y deben tener en cuenta el ciclo de vida del edificio, las restricciones arquitectónicas y físicas.
Esto generará marcos realistas y con muy poco esfuerzo, se puede seleccionar la mejor combinación de parámetros en la etapa conceptual del proyecto.
Enlace al artículo original: Optimización de energía BIM de redes neuronales—BimAnt