Bemessungsverfahren für den sommerlichen Wärmeschutz unter Verwendung von KI‐Methoden

Abstrakt 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.