Annäherung an simulationsgestützte visuelle Komfortindikatoren in Büroräumen: eine vergleichende Studie im maschinellen Lernen

Im leistungsorientierten architektonischen Design können fortschrittliche rechnergestützte Simulationswerkzeuge während des Entwurfs wertvolle Einblicke bieten. Der Einsatz solcher Werkzeuge ist jedoch oft ein Engpass im Entwurfsprozess, da die rechnerischen Anforderungen in der Regel hoch sind. Dies betrifft vor allem die frühe Konzeptionsphase des Designs, in der entscheidende Entscheidungen getroffen werden und die verfügbare Zeit begrenzt ist. Um damit umzugehen, ziehen Entscheidungsträger häufig Schlussfolgerungen aus Erfahrungen, wodurch wertvolle Erkenntnisse, die fortschrittliche rechnergestützte Methoden bieten könnten, verloren gehen. Dieses Papier untersucht einen alternativen Ansatz, der auf maschinellen Lernalgorithmen basiert, die induktiv aus simulationsbasierten Daten lernen und Modelle erzeugen, die in gutem Maße approximieren und um Größenordnungen schneller sind. Wir konzentrieren uns auf den visuellen Komfort von Büroräumen. Dies ist eine Art Raum, der speziell mehr visuellen Komfort erfordert als andere. Drei Methoden des maschinellen Lernens werden hinsichtlich ihrer Anwendbarkeit zur Annäherung an die Tageslichautonomie und die Wahrscheinlichkeit von Tageslichtblendung verglichen. Der Vergleich konzentriert sich auf die Genauigkeit und die zeitlichen Kosten von Training und Schätzung. Die Ergebnisse zeigen, dass maschinell lernbasierte Ansätze einen günstigen Kompromiss zwischen Genauigkeit und rechnerischen Kosten erzielen und eine lohnenswerte Alternative für Leistungsevaluierungen während der architektonischen Konzeptionsphase bieten.