Machine Learning-Aided Architectural Design for Carbon Footprint Reduction

• Autorzy: Płoszaj-Mazurek Mateusz

Identyfikatory

DOI

10.5604/01.3001.0014.1615

Warianty tytułu

PL

Wspomagane uczeniem maszynowym projektowanie architektury w celu zmniejszenia śladu węglowego

• Języki publikacji: EN

Abstrakty

EN

The built environment is considered responsible for at least 20-40% of greenhouse gases emission. The way we design may exert an impact on this percentage. A new paradigm, namely artificial intelligence, is arriving. More and more tasks are becoming automated via algorithms. How could this power be applied in order to strengthen our knowledge about the ways we design buildings? The author of the following paper presents a study in which carbon footprint yielded by a multifamily building is analysed. ML has been used to generate an extensive overview of the possible design solutions. This, in turn, made it possible to observe correlations between various parameters that resulted in a reduced carbon footprint.

PL

Środowisko zabudowane odpowiada za co najmniej 20 do 40% emisji gazów cieplarnianych, a sposób, w jaki projektujemy, może wpłynąć na tę wartość. Coraz więcej zadań zostaje zautomatyzowanych za pomocą algorytmów. Jak możemy wykorzystać to narzędzie, aby wspomóc naszą wiedzę na temat sposobów projektowania budynków? Autor przedstawia badanie analizujące ślad węglowy budynku wielorodzinnego. Algorytm uczenia maszynowego został wykorzystany do wygenerowania obszernego przeglądu możliwych rozwiązań projektowych. Umożliwiło to zaobserwowanie korelacji między różnymi parametrami, co pozwoliło na wybór kombinacji parametrów o najniższym śladzie węglowym.

Słowa kluczowe

EN

life cycle assessment; parametric optimization; carbon footprint; artificial intelligence; algorithm; ghg emission; sustainable architecture; big data; machine learning

PL

ocena cyklu życia; optymalizacja parametryczna; ślad węglowy; uczenie maszynowe; sztuczna inteligencja; algorytm; emisja gazów cieplarnianych; architektura zrównoważona; big data; zbiór danych duży

• Wydawca: BUILDER CORP Sp. z o.o.
• Czasopismo: Builder
• Rocznik: 2020
• Tom: R.24, nr 7
• Strony: 35--39
• Opis fizyczny: Bibliogr. 21 poz., il., tab.

Twórcy

autor

Płoszaj-Mazurek Mateusz

• Politechnika Warszawska, Wydział Architektury

Bibliografia

• [1] C. Belém, L. Santos, and A. Leitão, “On the Impact of Machine Learning. Architecture without Architects?" in CAAD Futures, no. June, 2019.
• [2] A. Burkov, The 100-Page Machine Learning Book. 2019.
• [3] P. Merrell, E. Schkufza, and V. Koltun, “Computer-Generated Residential Building Layouts,” ACM Trans. Graph., vol. 29, no. 6, pp. 1-12, 2010.
• [4] C. Sjoberg, C. Beorkrem, and J. Ellinger, “Emergent Syntax: Machine Learning for the Curation of Design Solution Space,” Proc. 37th Annu. Conf. Assoc. Comput. Aided Des. Archit., pp. 552-561, 2017.
• [5] J. Cudzik and K. Radziszewski, “Artificial Intelligence Aided Architectural Design,” vol. 1, no. October, pp. 77-84, 2018.
• [6] T. Galanos, “Machine-Learned Regenerative Design,” in Regenerative design in the digital practice, In press., E. Naboni and L. Havinga, Eds. Eurac Research, 2019, pp. 95-99.
• [7] B. D’Amico et al., “Machine Learning for Sustainable Structures: A Call for Data,” Structures, vol. 19, no. November, pp. 1-4, 2019.
• [8] E.D. Ryńska, Zintegrowany proces projektowania prośrodowiskowego. Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej, 2012.
• [9] PKN, “PN-EN 15978 - Sustainability of construction works - Assessment of environmental performance of buildings - Calculation method” 2011.
• [10] A. Säynäjoki, J. Heinonen, S. Junnila, and A. Horvath, “Can life-cycle assessment produce reliable policy guidelines in the building sector?,” Environ. Res. Lett., vol. 12, no. 1, pp. 1-16, 2017.
• [11] G. Lobaccaro, A. H. Wiberg, G. Ceci, M. Manni, N. Lolli, and U. Berardi, “Parametric design to minimize the embodied GHG emissions in a ZEB,” Energy Build., 2018.
• [12] E. Naboni, A. Malcangi, Y. Zhang, and F. Barzon, “Defining the energy saving potential of architectural design,” Energy Procedia, vol. 83, no. December, pp. 140-146, 2015.
• [13] A. Hollberg, “A parametric method for building design optimization based on Life Cycle Assessment,” no. November, 2016.
• [14] K. Negendahl, A. P. Otovic, and L. M. B. Jensen, “Expansion in Number of Parameters : Simulation of Energy and Indoor Climate in Combination with LCA” 2016 ASHRAE Annu. Conf., no. September, 2016.
• [15] ITB, 2019, ITB EPD Program, accessed on August,12th,2019 <https://www.itb.pl/epd.html>
• [16] ÖKOBAUDAT, 2019, accessed on August,12th,2019 <https://www.oekobaudat.de/>
• [17] KOBiZE, “Emission Factors 2018,” 2018. accessed on August,12th,2019 <https://www.kobize.pl/uploads/materialy/materialy_do_pobrania/wskazniki_emisyjnosci/Wskazniki_emisyjnosci_2018.pdf>
• [18] Veolia, “Environmental Impact 2018,” 2018. view accessed on August,12th,2019 <https://energiadlawarszawy.pl/wp-content/uploads/sites/4/2019/04/wplyw_na_srodowisko_2018-1.pdf%0D>
• [19] M. Płoszaj-Mazurek, “Parametric Optimisation of Carbon Footprints,” in Regenerative design in the digital practice, In press., E. Naboni and L. Havinga, Eds. Eurac Research, 2019, pp. 256-261.
• [20] M. Płoszaj-Mazurek, “Parametric Optimization of Carbon Footprint,” in iiSBE Forum of Young Researchers in Sustainable Building 2019, 2019, no. July.
• [21] M. S. Roudsari, M. Pak, and A. Smith, “Ladybug: a Parametric Environmental Plugin for Grasshopper To Help Designers Create an Environmentally-Conscious Design,” 13th Conf. Int. Build. Perform. Simul. Assoc., pp. 3129-3135, 2013.

Uwagi

Artykuł umieszczony w części "Builder Science"

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).