Anwendung künstlicher neuronaler Netze zur Bestimmung von U-Werten
The thermal transmittance of the building envelope is a key parameter that determines the energy performance of a building. In order to estimate the potential of refurbishment options, accurate information about the thermal transmittance is desirable. This information should be obtained with as little impact on the use of the building and in as little time as possible. The use of thermography for this purpose has the advantage that it allows for remote measurements without installation of sensors on the envelope. A model calibration approach is proposed to increase the accuracy under varying environmental conditions and to reduce the measurement time for thermography from the outside. A simplified physical model with a small number of thermal resistor and capacitor elements is used to represent the building wall and simulate the heat flow under transient conditions. Its parameters are varied and chosen such that the best reproduction of the measured surface temperature is obtained. The uncertainty of the determined transmittance depends on the thermographic measurements and on the uncertainties in the boundary conditions which describe convective and radiative heat exchange and also have to be determined by measurements. The uncertainty analysis is performed using a Monte-Carlo sampling of all measured quantities.
Die in-situ Bestimmung von U-Werten ist in der Regel mit großen Ungenauigkeiten sowie langen Messdauern verbunden. In der Literatur werden Messzeiträume von 72 h bis zu mehr als zwei Wochen angegeben und Abweichungen von 25 % bis zu 75% genannt. Als Hauptgründe für diese Umstände werden hohe thermische Speichermassen, geringe Temperaturgradienten, instationäre Randbedingungen sowie wechselnde Richtungen des Wärmestroms angeführt. Künstliche neuronale Netze (KNN) bieten die Möglichkeit die oben aufgeführten Zusammenhänge zu quantifizieren. Durch die Wahl eines Regressionsansatzes in KNNs können Einflüsse instationärer Umwelteinflüsse (z.B. Wärmestrom, Lufttemperatur und Solarstrahlung) effizienter als bisher mit stationären Größen, wie dem U-Wert, in Zusammenhang gebracht werden. Die Autoren stellen in dieser Arbeit die Anwendung von KNN für die Auswertung von Simulationsdaten im Kontext der Bestimmung von U-Werten vor. Der Aufbau der Trainingsdaten erfolgt ausschließlich durch thermisch-instationäre Bauteilsimulationen auf Basis finiter Elemente. Hierdurch sollen zukünftig umfangreiche Messungen für den Aufbau der Trainingsdaten entfallen. Im Rahmen dieser Arbeit werden mehrlagige neuronale Netze mit 4 bis 15 hidden layers für die Regression des U-Werts genutzt. Die verschiedenen Netzwerkarchitekturen werden abschließend hinsichtlich ihrer Ergebnisse in Trainings- und Testdurchläufen bewertet und Möglichkeiten für die Anwendung auf Messdaten aufgezeigt.
Vorschau
Zitieren
Rechte
Nutzung und Vervielfältigung:
