Energie, thermischer Komfort und Innenraumluftqualität: Überprüfung der Multi-Objective-Optimierung

Die Abhängigkeit von Optimierungstechniken für robuste Bewertungen von umweltfreundlichen und energievorsparenden Lösungen wird hauptsächlich durch den zunehmenden Bedarf an Compliance mit internationalen Energiepolitiken vorangetrieben. Es treten jedoch zahlreiche Herausforderungen aufgrund der immanenten Konflikte zwischen den Zielen für eine nachhaltige gebaute Umgebung auf, wobei der thermische Komfort und die Innenraumluftqualität maximiert und gleichzeitig der Energieverbrauch minimiert werden müssen, was ein Multi-Objective-Optimierungsproblem darstellt. Folglich haben Studien, die eine facettenreiche Optimalität im Design und/oder Betrieb von Niedrigenergiegebäuden anstreben, in den letzten Jahren exponentiell zugenommen. Diese Forschung überprüft kritisch die neuesten Multi-Objective-Optimierungsstudien, die den Energieverbrauch, den thermischen Komfort und die Innenraumluftqualität als konkurrierende Ziele vorstellen. Durch die Untersuchung von 82 Datensätzen zwischen 2013 und 2022 konzentrierten sich zentrale Diskussionen auf häufig untersuchte Zielsetzungen, Designvariablen und Leistungsmetriken. Die Überprüfung untersucht auch die neuesten Forschungstrends, Optimierungstechniken, Algorithmen und Werkzeuge und identifiziert Wissenslücken sowie potenzielle zukünftige Forschungsrichtungen. Die Ergebnisse der Überprüfung zeigten, dass die meisten Studien einen ganzheitlichen Ansatz verfolgten, der alle drei Zielsetzungen anvisierte, wobei der größte Teil auf Büro- und Wohngebäuden durchgeführt wurde. Die am häufigsten untersuchten Designvariablen sind systembezogene Variablen, während gebäude- und nutzerbezogene Variablen oft übersehen werden. Die Kopplung von Simulationswerkzeugen und Optimierungsalgorithmen ist der am weitesten verbreitete Optimierungsansatz, wobei genetische Algorithmen am häufigsten verwendet werden. Diese Ergebnisse deuten auf einen vielversprechenden Bereich für zukünftige Forschungen zu methodologischen Optimierungsansätzen hin, die sich voraussichtlich durch die rasante Entwicklung von Künstlicher Intelligenz-Technologien erheblich verändern werden.