Automatisering af stokastisk modellering i BSim - Effektivisering af designprocessen
Oversat titel
Automation of Stochastic Modelling in BSim - Streamlining the Design Process
Forfattere
Bonde, Emil Greve ; Buhrkal-Donau, Mia ; Mikkelsen, Frederik Søndergaard
Semester
4. semester
Uddannelse
Udgivelsesår
2016
Resumé
Specialet adresserer de stigende krav og den voksende kompleksitet i den tidlige bygge- og designfase ved at udvikle en metode til at effektivisere udforskningen af designrummet gennem automatiserede simuleringer i BSim. Efter at have kortlagt strukturen i BSims inputfiler er der udarbejdet en Excel/VBA-applikation, der sætter grænser for designrummet, genererer BSim-input og igangsætter simuleringer automatisk med hjælp af AutoIt, herunder bl.a. dagslyssimuleringer. Metodikken muliggør stokastisk modellering via Monte Carlo-simuleringer og foreslår at håndtere de store datamængder med parallelkoordinat-plot, så krav og konsekvenser kan filtreres og kommunikeres på tværs af parter. Der skitseres desuden en robusthedsanalyse med varieret vejr og interne laster samt en yderligere effektivisering gennem parameterfrasortering og brug af metamodeller; afprøvning med SRC- og SDP-modeller viser dog, at modeller med op til 2.-ordensled kun opnår en R^2 omkring 0,8, hvilket indikerer behov for mere komplekse sammenhænge. Projektet dokumenterer, at automatisering af BSim-simuleringer er mulig og kan understøtte hurtigere beslutninger, men peger også på forbedringspotentiale, bl.a. fordi AutoIt spærrer computeren under kørsel, og fordi gentagne opstart og lukning af BSim er tidskrævende; dette kunne afhjælpes ved adgang til programmets DLL-filer.
This thesis responds to increasing requirements and complexity in the early building design phase by developing a methodology to make design-space exploration more efficient through automated simulations in BSim. After mapping the structure of BSim input files, an Excel/VBA application was built to define design-space boundaries, generate BSim inputs, and run simulations automatically using AutoIt, including daylight simulations. The methodology enables stochastic modelling via Monte Carlo simulations and proposes parallel coordinate plots to manage the large datasets so that performance requirements and trade-offs can be filtered and communicated among project stakeholders. A robustness analysis with varying weather and internal loads is outlined, and further streamlining is explored through parameter screening and the use of metamodels; tests with SRC and SDP models indicate that models including up to second-order effects reach an R^2 of around 0.8, suggesting a need for more complex representations. The project shows that automating BSim simulations is feasible and supports faster decision-making, while also highlighting limitations such as AutoIt occupying the computer during runs and the time spent opening and closing BSim; access to BSim DLLs could improve this.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]