推奨事項: NSDT Designerを使用して、プログラム可能な 3D シーンを迅速に構築します。
AEC (建築、エンジニアリング、建設) 業界における BIM テクノロジーにより、実際の建設が始まる前に仮想的に建物を建設できるようになり、コスト超過の削減、調整の効率化、意思決定力の強化など、多くの有形無形のメリットがもたらされます。一部の企業にとって、BIM 導入は克服すべき大きなハードルであり、多くの企業が依然として苦労しています。しかし今、業界には人工知能という別の新しいトレンドが見られます。恐れずに詳しく見てみましょう。思ったよりも簡単です！
この記事では、「ディープ ニューラル ネットワークを使用した BIM モデルのエネルギー パフォーマンスの最適化」というタイトルの修士論文を紹介します。
1. 問題提起
さまざまな推定では、施設コストの約 70 ～ 80% が運営に費やされることが示唆されています。
もちろん、これらはメンテナンスによるものですが、建設業は世界の天然資源と CO2 排出量の 40% を使用するため、「40% 産業」と呼ばれることもあることを覚えておいてください。私たちは自然をもっと大切にすべきです！
建物のエネルギー消費を最適化するためのフレームワークを考え出すつもりです。これは EUI (エネルギー使用強度) として知られ、MJ (kWh)/m²/年で測定されます。Green Building Studio は、DOE-2 エンジンと Revit からエクスポートされた gbXML ファイルを使用してエネルギー解析を実行します。
2.BIMデータの取得
まず、いくつかの仮定を立てる必要があります。テストする各モデルで HVAC システムを同じにしておきます(つまり、Revit が提供する一戸建て住宅用の標準 HVAC モデルが各 Revit モデルに使用されます)。実際、実際の施設では、時間の経過とともに、より効率的な設備やシステムに置き換えられる可能性があります。あるいは、早い段階では HVAC のタイプさえ分からない場合もあります。
代わりに、床、壁、屋根の熱伝導率 (R、m²K/W)、窓と壁の比率、平面図内の回転など、建物のより恒久的な特徴に焦点を当てましょう。これらは私が実験する予定の機能です。
もう 1 つの前提として、Revit モデルは内部に部屋が 1 つだけあり、仕切りや窓のない通常の箱であると仮定します(窓と壁の比率は後で割り当てます)。これは分析を簡素化するためです。
そこで、次のパラメータ範囲のすべての組み合わせを試してみましょう。
10368 通りの組み合わせは多すぎますが、Revit API が役に立ちます。Green Building Studio は、Revit でエクスポートできる gbXML ファイルを使用します。このスクリプトは、熱抵抗値と平面回転の組み合わせをモデルに適用し、結合された各モデルを gbXML 形式にエクスポートします。熱資産の熱伝導率を変えることで、異なる熱抵抗値が得られます。厚さを変更すると、解析に別の要素が導入されます。解析表面は常に要素の中央にあるため、総面積は壁の厚さによって変化します。
gbXML ディレクトリを解析してすべてのファイルのパスを取得したら、3456 (121212*2) gbXML ファイルを Green Building Studio にアップロードする準備が整いました。Dynamo 用の Dynamo パッケージ Energy Analysis を使用します。
分析が完了したら、Green Building Studio で窓と壁の比率の割り当てを開始できます。残念ながら、Dynamo パッケージにはこの機能がなく、GBS API は開発者専用であるため、WWR を割り当てるにはブラウザーの自動化に頼る必要がありました。ただし、これは 1 回だけ行う必要があり、その理由については後ほど説明します。エネルギー分析が完了したら、GBS のデータを解析して徹底的にチェックします。
ここで、別の単純だが異なる Revit モデルを使用して、上記のすべての手順を繰り返してみましょう。
このデータは後で使用するために必要になります。
3. ニューラルネットワークのトレーニング
データの検査と準備は、すべての機械学習プロジェクトに必須です。しかし、この場合、欠損データや外れ値はありません。データは人工的に作成されたものです。したがって、多くの確認ステップを安全に省略できます。ニューラルネットワークについて詳しく説明する別の記事を書きます。興味があれば、ここにスクリプトがあります。しかし、簡単に言うと、ニューラル ネットワークは、大量のデータが与えられると、そのデータを管理するルールを導き出すことができます。従来のプログラミングと比較して、答えを得るためにルールとデータを与えます。
ニューラル ネットワークは、顔認識または音声認識、自然言語処理、翻訳、感情分析など、ルールのコーディングが難しい場合に役立ちます。
このペーパーで BIM データ用に設計したネットワークは、次のアーキテクチャを備えています。
入力層 (緑) には 5 つのユニットがあります。これらは私たちのパラメータです: WWR、面内回転、および 3 つの熱抵抗値。出力層 (黄色) は EUI 値です。このネットワーク (青い層) は、最初のステップに乱数のみが含まれる巨大な行列として考えてください。ネットワークをトレーニングするには、入力層 (ベクトル) に一連の行列を乗算して、EUI 値の予測を取得します。次に、予測が実際の EUI 値と比較され、出力をより適切に予測するためにネットワーク内の数値が更新されます。このサイクルは、パフォーマンスに満足するまで繰り返されます。
次に、最初のボックス モデルのデータ ポイントでネットワークをトレーニングします。そのうちの 94% はネットワークのトレーニングに使用され、6% はネットワークを検証し、パフォーマンスを向上させるためにネットワークに影響を与えるいくつかのパラメーターを調整するために使用されます。
トレーニング後、ネットワークを使用して 10368 個の EUI 値を予測します。
誤差は0.2%以内に収まっており悪くありません。とりわけ、ネットワークはデータを離散型から連続型に変換します。言い換えれば、以前は取得できなかったパラメータの EUI 値 (例: 21% WWR または R=2.45) を取得できるようになりました。
さて、これで次のステップに進みます。
4.転移学習
ステップ 1 で作成した 2 番目の Revit モデルを覚えていますか? ここでは、「転移学習」と呼ばれる手法を通じてこれを使用します。前のステップでトレーニングされたネットワークを使用し、最初の 4 つの層をトレーニング不可能にしてみましょう。
言い換えれば、最後の 2 つのレイヤーにだけ注目しましょう。
この時点で、ネットワークは主なパターンと傾向、および各パラメーターが EUI にどのような影響を与えるかを「認識」しています。ただし、最初の Revit モデルに限ります。
ここで、最後の 2 つのレイヤーを新しいデータで再トレーニングすることにより、新しい Revit モデルをネットワークに「導入」しましょう。ただし、重要な違いがあります。今回はデータの 6% のみがトレーニングに使用され、94% が検証に使用されます。ハイパーパラメータ調整は実行されません。トレーニング後、次の結果が得られます。
注: トレーニング時間は、最初のボックス Revit モデルでは 2 ～ 3 時間であったのに対し、約 1 ～ 2 分であり、予測はほぼ同じ精度です。
5. トレーニングセット/検証セットの比率に関する実験
なぜトレーニングと検証の比率を 6% にこだわるのでしょうか? もう一度試して、どのように機能するかを見てみましょう。
4% トレーニング データ
1% トレーニング データ
0.25% トレーニング データ
トレイン検証率が 1 ～ 2% あたりから、パフォーマンスが大幅に低下し始めることがわかります。
損失関数がプラトーに達するとトレーニングが停止することに注意してください。
6. 結果と比較
おめでとう！これで、少量のデータを使用して広範囲のパラメータにわたって Revit モデルのエネルギー消費を予測するようにトレーニングされたニューラル ネットワークが完成しました。モデルには窓がない場合もあります。最後のステップでそれがわかりました。分析したいモデルからいくつかのデータ ポイントを導入することで、誤差がほとんどなく、かなり正確な推定値が得られました。
転移学習の効果を強調するために、先ほどトレーニングしたネットワークを使用して 2 つのモデルの EUI を予測してみましょう。
1 つのネットワーク - 2 つの Revit モデル予測
そうは言っても、確率的ニューラル ネットワークを使用して、それがモデルで機能することを期待することはできません。何らかのエネルギー分析を行う必要があります。ただし、最初の部分と同様に自動化できます。
7. 仕事の未来
エネルギー消費を正確に予測できるニューラル ネットワークが完成したので、複雑な Revit モデルでテストするだけでなく、実際の最適化に向けて一歩を踏み出す必要があります。最適なパラメータの組み合わせを見つけるには、コスト モデルを確立する必要があります。コストモデルには、材料、労働力、起こり得るメンテナンス、エネルギーコストを含める必要があり、建物のライフサイクル、建築的および物理的な制約を考慮する必要があります。
これにより現実的なフレームワークが生成され、プロジェクトの概念段階でパラメータの最適な組み合わせをごくわずかな労力で選択できます。
元の記事へのリンク:ニューラル ネットワーク BIM エネルギー最適化—BimAnt