Bemessungsverfahren für den sommerlichen Wärmeschutz unter Verwendung von KI‐Methoden

Der Klimawandel führt in Europa zu steigenden Oberflächentemperaturen, was besonders die gebaute Umgebung anfällig für Hitzeereignisse macht. Für die Aufgabe, den sommerlichen Wärmeschutz von Gebäuden zu evaluieren, wurde die Verwendung einer Methode des Maschinellen Lernens untersucht. Dieser Aufsatz beschreibt zunächst die Limitationen der Verfahren nach DIN 4108‐2 und dann die Entwicklung eines Verfahrens, das auf dem Random Forest Regressor (RFR) basiert. Anschließend werden die Ergebnisse mit denen einer thermischen Gebäudesimulation verglichen. Der RFR wurde mit randomisierten Simulationsdaten trainiert, um die operative Temperatur und die Raumlufttemperatur vorherzusagen. Die Evaluation zeigt, dass der RFR zwar qualitativ ähnliche Zeitreihen liefert, quantitativ sind jedoch signifikante Unterschiede festzustellen. Die Übertemperaturgradstunden werden im Vergleich zur Simulation systematisch unterschätzt, insbesondere bei extremen Wetterszenarien. Die Studie diskutiert die Herausforderungen ungleich verteilter Trainingsdaten und die Sensitivität der Ergebnisse gegenüber den verwendeten Testreferenzjahren. Der Ansatz bietet wertvolle Erkenntnisse, zeigt die Grenzen der gewählten Methode für die Bewertung des sommerlichen Wärmeschutzes auf und unterstreicht den Bedarf an weiteren Optimierungen.

Climate change is causing rising surface temperatures in Europe, making the built environment particularly vulnerable to heat events. To evaluate the summer thermal protection of buildings, the use of a machine learning method was investigated. This paper first outlines the limitations of the methods specified in DIN 4108‐2 and then describes the development of an approach based on the Random Forest Regressor (RFR). The results are subsequently compared with those of thermal building simulations. The RFR was trained using randomized simulation data to predict operative temperature and indoor air temperature. While the RFR produces qualitatively similar time series, significant quantitative differences are evident. Overtemperature degree hours are systematically underestimated compared to simulations, especially in extreme weather scenarios. The study discusses the challenges of unevenly distributed training data and the sensitivity of results to the test reference years used. The chosen approach provides important insights while demonstrating the limitations of assessing summer thermal protection using the chosen method and highlights the need for further optimization.