Optimierung architektonischer multidimensionaler Formen; ein hybrider Ansatz zur Integration von approximativer evolutionärer Suche, Clustering und lokaler Optimierung

Parametrische Werkzeuge in der Architektur ermöglichen das Design komplexer und multidimensionaler Formen an Gebäudefassaden. Dazu gehören geometrische Muster, die direktes Sonnenlicht abmildern und die Energieeffizienz erhöhen können. Konventionelle Simulationsmethoden und verfügbare Optimierungstools sind jedoch prohibitv teuer, um solche komplexen Formen zu optimieren. Um diese Herausforderung zu bewältigen, schlägt diese Studie zwei innovative hybride Workflows vor, die parametrisches Modellieren, evolutive approximate und präzise Modelle (NSGA-III), Clustering mithilfe des k-means Algorithmus und lokale Suchtechniken (Tabu-Suche) integrieren. Die Ergebnisse, die aus der Anwendung dieser hybriden Ansätze gewonnen wurden, zeigen eine erhebliche Reduzierung der Rechenzeit und Kosten, während gleichzeitig optimale Ergebnisse erzielt werden. Darüber hinaus wird ein umfassender Vergleich zwischen den beiden vorgeschlagenen Methoden vorgestellt, einschließlich Faktoren wie Leistungskennzahlen und während der Implementierung angefallenen Kosten. Die Ergebnisse der Musteroptimierung zeigen mehrere wichtige Erkenntnisse: zunehmende Musteranzahl; Verteilung über die Fassade; Minimierung des Abstands zwischen der Musterwand und den Fenstern; Annahme einer nach Süden gerichteten Ausrichtung mit positiver vertikaler Rotation – all dies trägt zur Verringerung des Energieverbrauchs (gemessen an der Energieverbrauchsintensität oder EUI) in kalten Klimazonen bei. Allerdings beeinflusst die Materialauswahl für diese Muster in erster Linie das visuelle Komfortniveau.