Developing a Human-Centric AI-based Multi-Criteria Energy Efficiency Advisory Framework for Apartment Housing of Mashhad, Iran
Deze studie stelt een mensgericht, op AI gebaseerd framework voor en valideert dit, dat sociaal-demografische, gebouw-, buurt- en klimaatgegevens integreert om gepersonaliseerde, interpreteerbare aanbevelingen voor energie-efficiëntie te leveren voor appartementbewoners in Mashhad, Iran, waarbij een hoge voorspellende nauwkeurigheid wordt bereikt (R² = 0,86) en wordt aangetoond dat bewonerskenmerken cruciale drijfveren zijn van residentiële energieprestaties.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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 huis minder lijkt op een statische bakstenen doos en meer op een levend, ademend organisme dat interactie heeft met de wereld om zich heen. Lange tijd hebben wetenschappers die probeerden uit te zoeken hoe ze energie in huizen kunnen besparen, vooral gekeken naar de "hardware": de dikte van de muren, het type ramen en de vorm van het dak. Ze behandelden het gebouw als een machine, uitgaande van de veronderstelling dat als je een perfecte machine bouwt, deze ook perfect zal functioneren. Maar er ontbreeft een stukje in deze puzzel: de mensen die er wonen. Net zoals een auto anders rijdt afhankelijk van de vraag of er een zenuwachtige tiener of een rustige grootouder achter het stuur zit, gebruikt een huis energie op een andere manier afhankelijk van wie er woont, hoe oud ze zijn en wat ze de hele dag doen. Dit studieveld wordt "mensgerichte energie-efficiëntie" genoemd, en het stelt een eenvoudige maar lastige vraag: Hoe ontwerpen we advies voor energiebesparing dat daadwerkelijk past bij de specifieke mensen die in het huis wonen, in plaats van alleen bij het huis zelf?
Dit is precies waar een team onderzoekers zich op heeft gericht om op te lossen in een nieuwe studie gericht op appartementgebouwen in Mashhad, Iran. Ze wilden een "slimme adviseur" bouwen met behulp van Kunstmatige Intelligentie (AI) die niet alleen naar de blauwdrukken van het gebouw kijkt, maar ook naar het verhaal van de mensen binnenin luistert. Ze verzamelden gegevens van 50 verschillende huishoudens, waarbij ze alles bekeken van de leeftijd van het gebouw en de hoeveelheid groene bomen in de buurt tot de leeftijd van de bewoners en het aantal kinderen in het gezin. Ze voerden al deze informatie in een computermodel — denk aan een super slimme detective die op zoek gaat naar verborgen aanwijzingen in een enorme stapel bewijsmateriaal — om te zien wat het energieverbruik werkelijk aanstuurt.
De resultaten waren zeer onthullend. De AI-detective ontdekte dat de belangrijkste factoren voor energie-efficiëntie niet alleen de luxe bouwmaterialen waren, maar een mix van zaken zoals natuurlijke ventilatie (hoe goed de lucht door het huis stroomt), de leeftijd van het gebouw en zelfs de hoeveelheid groen in de buurt. Verrassend genoeg speelden ook de leeftijd van de mensen die er woonden en de grootte van hun gezin een grote rol. Het computermodel was in staat om de energieprestaties met een hoge mate van nauwkeurigheid te voorspellen; het zat er ongeveer 86% van de tijd naast.
De onderzoekers waarschuwen echter dat ze dit werk niet als een toverstaf beschouwen die alle energieproblemen oplost. Ze beschrijven hun werk als een "proof of concept", wat betekent dat het een succesvolle testrun is die aantoont dat het idee werkt, maar dat er meer tests nodig zijn met grotere groepen mensen voordat het overal kan worden toegepast. Ze sluiten expliciet het oude idee uit dat je alleen naar de fysieke kenmerken van een gebouw kunt kijken en de mensen binnenin kunt negeren; hun gegevens toonden aan dat het negeren van de mensen leidt tot een veel minder nauwkeurig beeld. In plaats daarvan suggereren ze dat de toekomst van energie-efficiëntie ligt in een "human-in-the-loop"-benadering, waarbij technologie de fysieke feiten van het gebouw combineert met de persoonlijke gewoonten en kenmerken van de bewoners.
De studie concludeert dat we door dit nieuwe AI-framework te gebruiken, eindelijk gepersonaliseerd advies kunnen geven. In plaats van een algemene tip als "installeer betere isolatie", zou het systeem kunnen zeggen: "Omdat u een groot gezin heeft en in een ouder gebouw met slechte luchtstroom woont, zijn dit de specifiend aanpassingen die u de meeste energie zullen besparen." Hoewel de huidige studie beperkt is tot een kleine steekproef van 50 appartementen, legt het de basis voor een toekomst waarin elk appartementbewoner een op maat gemaakt energieplan krijgt dat hun unieke levensstijl respecteert, wat hels bijdraagt aan het groener maken van onze steden en het comfortabeler maken van onze huizen zonder iedereen te dwingen in een oplossing die voor iedereen hetzelfde is.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.