Agentic AI-Enabled Framework for Thermal Comfort and Building Energy Assessment in Tropical Urban Neighborhoods

Deze studie presenteert een door agenten aangedreven AI-framework dat grote taalmodellen combineert met lichtgewicht fysische modellen om thermisch comfort en energieverbruik in tropische steden, zoals Singapore, te analyseren en klimaatbestendige ontwerpstrategieën te evalueren.

De kern

Stel je voor dat je een slimme, digitale stadsmagier hebt die niet alleen kan praten, maar ook de natuurwetten van de stad begrijpt. Dat is precies wat deze paper beschrijft: een nieuw systeem dat kunstmatige intelligentie (AI) gebruikt om te kijken hoe we steden in de tropen (zoals Singapore) koeler en comfortabeler kunnen maken.

Hier is de uitleg in simpele taal, met een paar leuke vergelijkingen:

1. Het Probleem: De Stad als een Broeikas

Steden in de tropen zijn vaak heet en vochtig. Gebouwen staan zo dicht op elkaar dat de hitte blijft hangen (het "eiland-effect"). Voor stadsplanners is het een enorme puzzel: Waar is het het heetst voor voetgangers? Welk gebouw krijgt de meeste koelingslast? En wat werkt beter: een groene gevel of een witte, koelende verf?

Vroeger moest je hiervoor duurdere software draaien, handmatig parameters invullen en dagenlang wachten op resultaten. Dat was als het bouwen van een auto door elke schroef met de hand te draaien.

2. De Oplossing: De "AI-Detective" met een Rekenmachine

De auteurs hebben een systeem bedacht dat twee dingen combineert:

1. Een slimme taal-AI (LLM): Dit is de "detective" of de "architect". Hij begrijpt wat jij in gewone taal vraagt (bijvoorbeeld: "Laat me zien waar het heet is in deze wijk").
2. Lichte natuurkundige modellen: Dit is de "rekenmachine". In plaats van een zware, trage supercomputer te gebruiken, gebruikt het systeem slimme, snelle wiskundige formules om de wind, de zon en de hitte te berekenen.

De Analogie:
Stel je voor dat je een chef-kok (de AI) hebt die een recept schrijft, en een snelle sous-chef (de rekenmachine) die het gerecht in 5 minuten klaarmaakt in plaats van uren.

• Jij zegt tegen de chef: "Ik wil een koud gerecht voor deze buurt."
• De chef (AI) denkt na, kiest de juiste ingrediënten (weerdata, gebouwen) en geeft de opdracht aan de sous-chef.
• De sous-chef (de natuurkundige modellen) berekent snel hoe warm het wordt op straat en hoeveel energie de airco's nodig hebben.
• De chef komt terug met een verslag: "Hier zijn de hete plekken, en hier is een advies om het koeler te maken."

3. Hoe Werkt Het? (Stap voor Stap)

Het systeem werkt in een cirkel van vijf stappen, net als een goed georganiseerd team:

1. Het Verzoek: Jij typt een zin in, bijvoorbeeld: "Check de hitte in deze wijk." De AI leest dit en begrijpt wat er nodig is.
2. De Kaart: De AI pakt de 3D-kaarten van de gebouwen (zoals LEGO-blokjes) en maakt er een schone, geordende kaart van. Hij geeft elk gebouw een nummer, zodat hij later kan zeggen: "Gebouw nummer 42 is de boosdoener."
3. De Simulatie: De AI stuurt de opdracht naar de rekenmachine. Hij kiest het juiste weer (bijvoorbeeld een wisselende dag in april) en laat de wind en zon door de straten "blazen" in de computer.
4. De Analyse: De AI kijkt naar de resultaten. Hij ziet waar de "zweetplekken" zijn (plekken waar mensen het te warm hebben) en welke gebouwen te veel energie verbruiken.
5. Het Advies: De AI schrijft een verslag in mensentaal. Hij zegt niet alleen "het is 50 graden", maar legt uit waarom (bijvoorbeeld: "De wind komt niet door de smalle straat") en geeft een oplossing (bijvoorbeeld: "Zet hier een luifel").

4. De Grote Verrassing: De "Witte Verf Valstrik"

Het meest interessante deel van het onderzoek is wat de AI ontdekte.
Stel, je denkt: "Als we alles wit verven, wordt het koeler." Dat is een logische gedachte.

• Wat de AI deed: Hij testte dit virtueel. Hij maakte de daken en muren wit (hoge reflectie).
• Het Resultaat: De gebouwen werden inderdaad koeler en verbruikten minder energie voor airco. MAAR, voor de mensen op straat werd het juist heeter!
• Waarom? De witte grond en muren reflecteren de zonnestralen als een spiegel. Die stralen komen recht op de voetgangers. Het is alsof je in een kamer staat met witte muren en een fel licht: de muren worden koel, maar jij wordt verbrand door het terugkaatsende licht.

De AI noemde dit de "Albedo-boete". Omdat het systeem slim is, zag hij dit en gaf hij een beter advies: "Maak de daken wit (voor de gebouwen), maar houd de straten donkerder (voor de mensen)."

5. Waarom is dit Geweldig?

• Snelheid: Het duurt minuten in plaats van dagen.
• Begrijpelijk: Je hoeft geen expert te zijn; je praat gewoon tegen de computer.
• Betrouwbaar: De AI doet niet zomaar wat; hij kijkt altijd naar de echte natuurwetten. Als hij een fout maakt, kan je precies zien waar hij op gebaseerd is (zoals een recept met alle ingrediënten).
• Toekomst: Dit helpt steden om klimaatbestendig te worden. Het is alsof je een "proeflokaal" hebt voor de hele stad, waar je ideeën kunt testen voordat je ze echt bouwt.

Kortom: Dit systeem is een slimme assistent die stadsplanners helpt om de stad te koelen, energie te besparen en ervoor te zorgen dat mensen buiten niet smelten, zonder dat ze urenlang in ingewikkelde software hoeven te duiken.

Technische samenvatting

Titel: Agentic AI-Enabled Framework voor Thermisch Comfort en Gebouwenenergiebeoordeling in Tropische Stadsbuurten

Auteurs: Po-Yen Lai, Xinyu Yang, Derrick Low, Huizhe Liu, en Jian Cheng Wong (Institute of High Performance Computing, A*STAR, Singapore).

---

1. Probleemstelling

Singapore kampt met een heet en vochtig klimaat en een dichtbebouwde stedelijke omgeving, wat leidt tot oncomfortabele buitenomstandigheden (hittestress) en hoge koelingsbehoeften binnen. Stedenbouwers en planners staan voor complexe vragen:

• Waar liggen de hotspots voor hittestress voor voetgangers?
• Welke gebouwen of straten veroorzaken slecht comfort en hoge koellasten?
• Welke oppervlaktestrategieën (zoals koele verf of groene gevels) bieden de beste afwegingen op wijkniveau?

Hoewel er initiatieven zijn voor stadsmodelleren (zoals Cooling Singapore 2.0), is het uitvoeren van geïntegreerde comfort- en energie-studies op wijkniveau arbeidsintensief. Dit komt doordat workflows verspreid zijn over meerdere tools, veel parameters vereisen en tijdrovende modelvoorbereiding nodig hebben. Bestaande methoden missen vaak een naadloze koppeling tussen intentie (in natuurlijke taal) en de uitvoering van fysische simulaties.

2. Methodologie

De auteurs presenteren een agentic AI-framework dat Large Language Models (LLMs) combineert met lichtgewicht fysisch gebaseerde modellen. Het systeem fungeert als een "workflow-laag" die de simulatie coördineert in plaats van deze te vervangen.

Kernarchitectuur:
Het framework is geïmplementeerd als een LangGraph-gebaseerde state machine met vijf fasen:

1. Intentie-analyse: Een LLM (GPT-5.1) interpreteert de gebruikersvraag in natuurlijke taal en stelt voor welke invoer en tools nodig zijn.
2. Geometrie-analyse: STL-bestanden (3D-modellen) worden geladen, schoongemaakt, samengevoegd en geïndexeerd. Elk gebouw krijgt een unieke ID om resultaten later te traceren.
3. Solver-orchestratie: Een "Orchestrator Agent" voegt parameters samen uit een strikte prioriteitsvolgorde:
   • (1) Configuratie-defaults (JSON).
   • (2) Klimaatdatabases (bijv. IWEC voor typisch weer).
   • (3) Real-time weerdiensten (optioneel).
   • (4) LLM-suggesties (alleen als bovenstaande ontbreken).
   • (5) Gebruikersoverschrijvingen (hoogste prioriteit).
     Dit zorgt voor traceerbaarheid en reproduceerbaarheid.
4. Materiaalstrategie: Het agent plant een "baseline-then-refined" cyclus om oppervlakte-eigenschappen (zoals albedo) aan te passen en vergelijkt de resultaten.
5. Integratie en Rapportage: De LLM synthetiseert de simulatieresultaten in een leesbaar rapport met actiepunten.

Fysische Modellen (Lightweight Physics-Based Models):
In plaats van zware simulaties te draaien, gebruikt het systeem geoptimaliseerde modellen:

• CFD (Computational Fluid Dynamics): Een pseudo-3D benadering die 2D potentiaalstroomberekeningen uitvoert op meerdere verticale snijvlakken. Hiermee worden windpatronen en convectieve warmteoverdrachtscoëfficiënten geschat.
• Stralingsmodel: Berekent zonne- en thermische infrarooduitwisseling via een tijdsafhankelijke energiebalansvergelijking voor oppervlaktetemperaturen.
• Thermisch Comfort & Energie:
  • PET (Physiological Equivalent Temperature): Een comfortindex gebaseerd op het MEMI-model.
  • Gebouwenenergie: Geschat met een vereenvoudigd 1D Conduction Transfer Function (CTF) model om de koellast (EUI in kWh/m²) te berekenen.

3. Belangrijkste Bijdragen

• End-to-End Auditabele Workflow: Een systeem dat intentie omzet in geometrie, gekoppelde simulaties (lucht/stroming + straling), en leesbare rapporten, met volledige logging van prompts, parameters en bronnen.
• Governance van Invoer: Een gestructureerd prioriteitssysteem voor parameters dat voorkomt dat de LLM fysisch onjuiste waarden genereert; de LLM is adviserend, de fysische grenswaarden zijn strikt geregeld.
• Koppeling van Buitencomfort en Binnenenergie: Het framework analyseert simultaan de impact van oppervlaktestrategieën op zowel de voetgangerscomfort (PET) als de gebouwenkoellast.
• Open Source: De code en data zijn beschikbaar via GitHub, wat transparantie en hergebruik bevordert.

4. Resultaten en Analyse

De studie werd getest in twee scenario's in een dichtbebouwd district in Singapore:

Scenario I: Autonome Baseline Audit

• Het agent interpreteerde een semantische prompt ("audit voor inter-monsunperiode") en stelde automatisch de juiste weercondities en geometrie in.
• Resultaat: Het systeem identificeerde nauwkeurig thermische hotspots (PET > 52°C) en energie-intensieve gebouwen. Het kon specifieke gebouwen koppelen aan de oorzaken (bijv. hoge zonnestraling + lage wind).
• Conclusie: Het systeem kan semantische intenties vertalen naar fysieke diagnose zonder menselijke tussenkomst.

Scenario II: Gesloten Lus Materiaalinterventie & "Albedo Penalty"

• Het agent stelde voor om oppervlakken te behandelen met hoog-albedo materialen (koele verf) om de koellast te verlagen.
• Resultaat:
  • Gebouwenenergie: De koellast daalde significant (tot ~11% voor bepaalde gebouwen).
  • Voetgangerscomfort: Er trad een negatief effect op. De PET-waarde voor voetgangers nam licht toe (~1°C).
• Oorzaak: Hoewel de oppervlaktetemperaturen daalden (minder langgolvende straling), nam de gereflecteerde kortgolvige straling van de heldere grond toe, wat de stralingsbelasting voor voetgangers verhoogde. Dit fenomeen wordt de "Albedo Penalty" genoemd.
• Aanpassing: Het agent corrigeerde zijn advies: gebruik hoog-albedo coatings voor daken (voor energiebesparing), maar vermijd dit op blootgestelde pleinen om stralingsstress te voorkomen.

5. Betekenis en Toekomstperspectief

Deze studie demonstreert dat agentic AI kan fungeren als een krachtige coördinator voor complexe stedelijke simulaties.

• Snelheid en Toegankelijkheid: Het verlaagt de drempel voor niet-experten om klimaatadaptatiestrategieën te testen.
• Wetenschappelijke Nauwkeurigheid: Door de LLM te beperken tot advisering en de fysische randvoorwaarden te laten bepalen door gestructureerde data, blijft het systeem wetenschappelijk betrouwbaar.
• Toekomst: De auteurs plannen schaalbaarheid voor grotere geometrieën, standaardisatie van KPI's voor regelgeving en de ontwikkeling van interactieve dashboards voor real-time monitoring.

Het framework biedt een nieuwe weg voor evidence-based stadsplanning, waarbij complexe fysieke trade-offs (zoals tussen gebouwenergie en voetgangerscomfort) automatisch worden onthuld en beoordeeld.