🤖 AI

Thermal transmittance prediction based on the application of artificial neural networks on heat flux method results

Oorspronkelijke auteurs: Sanjin Gumbarević, Bojan Milovanović, Mergim Gaši, Marina Bagarić

Gepubliceerd 2026-05-25

📖 5 min leestijd🧠 Diepgaand

Oorspronkelijke auteurs: Sanjin Gumbarević, Bojan Milovanović, Mergim Gaši, Marina Bagarić

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een oud huis bezit en het energiezuinig wilt maken. Om dat te doen, moet je weten hoe goed je muren warmte binnenhouden. Dit vermogen om warmte te laten lekken, wordt de U-waarde genoemd.

Meestal moet je, om dit te meten, een speciale sensor (een warmtestroomsensor) op de muur plakken en daar dagen laten zitten, misschien wel twee weken. Het is alsof je wacht tot een stoofpotje klaar is; je kunt het niet versnellen, anders zijn de resultaten verkeerd. Dit kost veel tijd, geld en is vervelend als je veel verschillende muren in een gebouw wilt testen.

Dit artikel stelt een simpele vraag: Kunnen we een "slimme computerhersenen" (Artificiële Neurale Netwerken) gebruiken om te raden wat de sensor zou hebben gemeten, zodat we hem niet zo lang op de muur hoeven te laten zitten?

Hier is hoe ze het probeerden op te lossen, met behulp van alledaagse analogieën:

De Opstelling: Het Weer en de Muur

De onderzoekers plaatsten een sensor op een muur om drie dingen te meten:

Hoe warm het binnen in de kamer is.
Hoe koud het buiten is.
Hoeveel warmte er daadwerkelijk door de muur stroomt.

Ze verzamelden data elke 10 minuten gedurende ongeveer 3 dagen. Denk hierbij aan het vastleggen van een "recept" van hoe de muur reageert op het weer.

De "Slimme Hersenen" (De AI)

Ze trainden vier verschillende soorten "slimme hersenen" (Artificiële Neurale Netwerken) om dit recept te leren. Het doel was om de hersenen te leren: "Als het binnen deze temperatuur is en buiten die temperatuur, hoeveel warmte zou er dan door de muur moeten stromen?"

Ze testten vier verschillende "hersenen"-architecturen:

De Eenvoudige Hersenen (MLP): Een basis, rechttoe-rechtaan denker.
De Geheugenhersenen 1 (LSTM): Een denker met een langetermijngeheugen, goed in het onthouden van wat er een tijdje geleden gebeurde.
De Geheugenhersenen 2 (GRU): Een iets ander type geheugendenker, wat gestroomlijnder.
De Hybride Hersenen (LSTM + GRU): Een team waarbij één deel een langetermijngeheugen heeft en het ander een ander soort geheugen, die samenwerken.

Het Experiment: De Data Verdelen

Om te zien of deze hersenen daadwerkelijk leerden, verdeelden ze hun data in twee stapels:

De Studie-stapel (Training): Ze toonden deze data aan de hersenen zodat ze de patronen konden leren.
De Test-stapel (Validatie): Ze verbergden deze data voor de hersenen en vroegen hen om de warmtestroom te voorspellen op basis alleen van de temperaturen.

Ze probeerden verschillende verdelingen: soms bestudeerde de hersenen 25% van de data en werd getest op de rest; andere keren bestudeerde het 50% of 66%.

De Resultaten: Wie Won?

Het artikel vond enkele interessante dingen:

Meer Data Helpt de "Geheugen"-hersenen: Toen de hersenen meer data hadden om te bestuderen (50% of 66%), deden de Geheugenhersenen (LSTM en GRU) het uitstekend. Ze konden de warmtestroom zeer nauwkeurig voorspellen, bijna alsof ze de hele tijd de sensor op de muur hadden gehad.
De Eenvoudige Hersenen Mochten Zich Inspannen: De Eenvoudige Hersenen (MLP) waren prima als ze heel weinig data hadden om te bestuderen, maar ze waren niet zo betrouwbaar toen de data groter werd. Het is als een student die een kort gedicht kan uit het hoofd leren, maar in de war raakt door een heel boek.
De Beste Combinatie: De Hybride Hersenen (LSTM + GRU) kregen de laagste foutenratio wanneer ze 66% van de data bestudeerden. De onderzoekers merkten echter op dat het hebben van 66% van de data voor training misschien een beetje "valsspelen" is, omdat de teststapel zo klein was.
De Echte Winnaar: Als je kijkt naar een eerlijke verdeling (50% studie, 50% test), was de LSTM (Geheugenhersenen 1) de kampioen. Hij voorspelde de warmtestroom met een fout van slechts ongeveer 5,3% vergeleken met de echte sensor.

De Haken: De "Verrassing"-factor

Het artikel vond ook een beperking. De "slimme hersenen" zijn als studenten die de weerpatronen die ze hebben bestudeerd uit het hoofd leren. Als het weer plotseling verandert op een manier die ze nog nooit hebben gezien (een "verrassende" temperatuurspieg of -daling), raken de hersenen in de war en wordt de voorspelling onstabiel.

Ze toonden een afbeelding van een andere muur waar de voorspelling prima werkte totdat het weer iets onverwachts deed, waarna de "slimme hersenen" de weg kwijt raakten.

De Conclusie

Het artikel concludeert dat het gebruik van Kunstmatige Intelligentie om warmtestroom te voorspellen een veelbelovend idee is. Als je de AI kunt trainen met een paar dagen aan data, kun je je sensor misschien veel eerder naar een nieuwe muur verplaatsen dan de standaard twee weken.

Echter, de methode is nog niet perfect. Het werkt het beste als het weer voorspelbaar gedraagt, en de onderzoekers zeggen dat ze meer testen moeten doen om ervoor te zorgen dat de "slimme hersenen" niet in de war raken door plotselinge weerveranderingen.

Kortom: Ze bouwden een digitale kristallen bol die kan raden hoeveel warmte een muur verliest op basis van temperatuur. Het werkt vrij goed, maar het moet nog meer oefening om met verrassend weer om te gaan.

Technische Samenvatting: Voorspelling van thermische transmissie via kunstmatige neurale netwerken op basis van resultaten van de warmtestroommethode

Probleemstelling
Diepe energierenovatie van de bestaande bouwvoorraad is een prioriteit voor de Europese Unie, maar het beoordelen van de thermische transmissie (U-waarde) van bestaande bouwelementen blijft uitdagend. Bestaande constructies missen vaak ontwerpdokumentatie, en materiaalderving of vocht kunnen de thermische eigenschappen in de loop van de tijd veranderen. Hoewel de warmtestroommethode (HFM), gestandaardiseerd door ISO 9869-1, een gebruikelijke experimentele aanpak is voor het bepalen van in-situ U-waarden, kampt deze met een aanzienlijke beperking: de duur van de meting. Om te voldoen aan standaardcriteria en betrouwbaarheid te waarborgen, vereisen HFM-tests vaak tot twee weken, met name bij het gebruik van dynamische gegevensverwerkingsmethoden om afwijkingen van de ontworpen U-waarden te minimaliseren. Deze verlengde tijdsperiode hindert de efficiënte planning van renovatieprocessen. Bovendien is het inzetten van meerdere sensoren om verschillende elementen gelijktijdig te testen vaak financieel en operationeel inefficiënt.

Methodologie
Het onderzoek stelt een methode voor om de meetduur te verkorten door gebruik te maken van kunstmatige neurale netwerken (ANN) om de warmtestroom te voorspellen op basis van binnen- en buitentemperaturen. De kernhypothese is dat eenmaal een ANN-model is getraind op een kort segment HFM-gegevens, het de warmtestroom voor de rest van de periode kan voorspellen met uitsluitend temperatuurinput, waardoor de fysieke sensor kan worden verplaatst naar andere meetlocaties.

De studie gebruikte experimentele gegevens verzameld van een meerlagige muur tussen 22 en 26 februari 2019. De dataset bestond uit 490 entries, elk 10 minuten opgenomen, met registratie van binnentemperatuur ( $T_i$ ), buitentemperatuur ( $T_e$ ) en warmtestroom ( $q$ ).

Vier verschillende ANN-architecturen werden geëvalueerd op hun vermogen om warmtestroom te voorspellen:

MLP3: Een Multilayer Perceptron met één verborgen laag met drie neuronen.
LSTM100: Een Long Short-Term Memory-netwerk met 100 eenheden in de verborgen laag.
GRU100: Een Gated Recurrent Unit-netwerk met 100 eenheden in de verborgen laag.
LSTMGRU100: Een hybride architectuur die 50 LSTM-eenheden en 50 GRU-eenheden combineert over twee verborgen lagen.

Elke architectuur werd getest onder drie verschillende verhoudingen voor het splitsen van trainings-/validatiegegevens: 1/4, 1/2 en 2/3. De prestaties van de modellen werden beoordeeld aan de hand van de Root Mean Squared Error (RMSE), Mean Squared Error (MSE) en Mean Absolute Error (MAE) voor de voorspelling van warmtestroom. Bovendien werden voorspelde U-waarden berekend met de standaard gemiddelde methode (ISO 9869-1) toegepast op de voorspelde warmtestroom en vergeleken met de gemeten U-waarde (0,586 W/(m²K)).

Belangrijkste Resultaten
De analyse leverde veelbelovende resultaten op voor wat betreft de voorspelling van warmtestroomtarieven op basis van temperatuurinput:

Prestaties Architectuur: Recurrente Neurale Netwerk-architecturen (RNN) (LSTM en GRU) gaven over het algemeen betrouwbaardere resultaten wanneer grotere datasets (trainingsverhoudingen 1/2 en 2/3) werden gebruikt voor training. Omgekeerd presteerde de MLP-architectuur relatief beter met kleinere trainingsdatasets (verhouding 1/4).
Beste Prestatie: De meest accurate voorspelling voor de trainings-/validatieverhouding 1/2 werd bereikt door het LSTM100-model, dat een RMSE van 1,68 opleverde en een relatief verschil van 5,31% ten opzichte van de gemeten U-waarde.
Hybride Model: Het LSTMGRU100-model behaalde de laagste RMSE (1,22) bij de trainingsverhouding 2/3; de auteurs merken echter op dat dit mogelijk kan worden toegeschreven aan het grotere aandeel trainingsgegevens in plaats van een inherente architecturale superioriteit.
Beperkingen: Een aanvullende analyse op een andere muur onthulde potentiële instabiliteit in voorspellingen wanneer grens temperaturen veranderden op manieren die niet tijdens de trainingsperiode werden waargenomen. Dit suggereert dat hoewel de methode effectief is onder stabiele omstandigheden, deze mogelijk moeite heeft met ongezette thermische grensvariaties.

Betekenis en Claims
Het artikel beweert dat het toepassen van specifieke klassen van ANN's op HFM-resultaten een haalbare weg biedt om de tijd te verkorten die nodig is voor in-situ U-waardemetingen. Door succesvol warmtestroom te voorspellen op basis van temperatuurgegevens, zou de fysieke warmtestroomsensor theoretisch na een kortere trainingsperiode naar andere locaties kunnen worden verplaatst, waardoor de beoordeling van meerdere bouwelementen wordt versneld.

De auteurs houden echter een bescheiden standpunt aan wat betreft de volwassenheid van de methode. Zij erkennen dat de stabiliteit van voorspellingen op de lange termijn, met name bij kleine datasets of onder variërende grensomstandigheden, verder onderzoek vereist. De studie identificeert de invloed van niet-gewaardeerde veranderingen in grenstemperaturen als een primaire beperking, wat suggereert dat strikte meetomstandigheden of regularisatietechnieken mogelijk noodzakelijk zijn voor zekerder conclusies. Bijgevolg positioneert het artikel deze bevindingen als een richting voor verder onderzoek in plaats van een afgeronde oplossing voor onmiddellijke wijdverbreide toepassing.