• Christina Thyssen Kjær
  • Rasmus Kjærsgaard Sunesen
4. semester, Indeklima og Energi, Kandidat (Kandidatuddannelse)
Dette projekt er motiveret af den stigende kompleksitet i byggeprocessen, hvor der er kommet et større fokus på det holistiske byggeri, hvor bæredygtighed inddrages. Dette kan gøre det svært at træffe de rigtige valg for beslutningstagerne i bygningens designproces, da valget kan have indflydelse på både indeklima, energiforbrug, økonomi og arkitektur. Normalt laves ændringer til bygningens design, ved at ændre på én parameter af gangen, hvilket har vidst sig at være ufordelagtigt. Dette skyldes blandt andet, at det er en langsom proces og at den afhænger af rækkefølgen som parametrene ændres i, hvorfor det kan være svært at finde den mest optimale løsning.
En mere fordelagtig måde at finde de optimale løsninger på, er ved at bruge Monte Carlo metoden. For Monte Carlo metoden varieres parametrene uafhængig af hinanden, hvilket gør det muligt at undersøge flere løsningsmuligheder på samme tid. Ved at bruge Monte Carlo metoden, er det også muligt at bruge følsomhedsanalysemetoder, som kan give et overblik over, hvilke parametre der har størst betydningen for outputtet, som eksempelvis kunne være bygningens energiforbrug. Følsomhedsanalysemetoderne har forskellige karakteristikker såsom præcision og beregningsressourcer samt deres kompleksitet. Dette gør, at det ikke er vilkårligt, hvilken følsomhedsanalysemetode der vælges at bruge. Derfor undersøges der i dette projekt, otte følsomhedsanalysemetoder for at vurder, hvilke der er mest fordelagtig at anvende i bygningens design processen. Undersøgelsen tager udgangspunkt i otte test funktioner og to BSim-modeller, hvorfra følsomhedsanalysemetoderne vurderes ud fra deres præcision og konvergens hastighed i forhold til både Factor Fixing og Factor Prioritisation.
Factor Fixing og Factor Prioritisation er to begreber, der kan bruges sammen med Monte Carlo metoden i design processen. Factor Fixing bruges til at skelne parametre med ubetydelig indflydelse på outputtet fra de resterne parametre, hvorved der kommer fokus på de betydelige parametre. Til dette tages der højde for, at parametrene kan have indflydelse på hinanden, hvorfor total-ordens følsomhedsindekset findes. Factor Prioritisation udføres efter at Factor Fixing er udført, hvor parametrene prioriteres så det vides, hvilke parametre der har størst indflydelse på outputtet. Dette kan blandet andet bruges når beslutningstagerne mødes for at diskutere bygningens design.
Til at undersøge præcisionen, bruges følsomhedsanalysemetoden Sobol som sammenligningsgrundlag, da den i andet litteratur anses som meget nøjagtig. Præcisionen er opdelt i to dele; en for Factor Fixing og en Factor Prioritisation. For Factor Fixing findes den maksimale forskel mellem en Sobol’s total-ordens følsomhedsværdier og de resterende følsomhedsanalysemetoders værdier, hvorfra følsomhedsanalysemetoderne får tildelt en kategori alt efter forskellen. Det samme gøres for Factor Prioritisation, dog ved brug af Sobol’s første-ordens følsomhedsværdier. Derudover, undersøges der for Factor Prioritisation, hvordan følsomhedsanalysemetodernes rangering af parametrene er i forhold til Sobol’s første-ordens rangering.
Til at bestemme følsomhedsanalysemetodernes konvergens hastighed undersøges det, hvor mange simuleringer der skal bruges, før forskellen mellem simulering j og N’s standardiseret værdier er mindre end 1 %. Denne metode bruges både for Factor Fixing og Factor Prioritisation, hvor der for Factor Prioritisation også undersøges konvergens i forhold til rangering.
Ud fra den opstillede metode er følsomhedsanalysemetoderne TOM, Morris, Extendend Morris og Sobol fundet mest brugbare til Factor Fixing, da de alle kan finde total-ordens følsomhedsindeks. Derudover er det fundet, at TOM og Sobol har en bedre præcision end Morris og Extended Morris, hvortil TOM bruger færre simuleringer end Sobol og er nemmere at anvende, da den kan bruge de gængse samplingsmetoder.
For Factor Prioritisation er det fundet, at SRC, Pearson, Spearman, PAWN og Sobol alle finder første-ordens følsomhedsindeks. For PAWN er det fundet, at den bruger mange simuleringer for at konverger, og at dens samplingsmetode efterlader store områder i designrummet uudforsket, hvilket gør den mindre brugbar for Factor Prioritisation. SRC viser overraskende gode resultater, da den formår at bibeholde den gode præcision selv ved lave R² værdier. Pearson og Spearman har også vist sig at have gode resultater, dog ikke i samme grad som SRC, hvorfor de ikke findes lige så brugbare. Da SRC giver gode resultater, bruger få simuleringer og er selv-validerende er den oplagt at bruge i første forsøg i Factor Prioritisation. Viser det sig, at R² værdien er lav, kan Sobol anvendes som alternativ, dog kræver den flere simuleringer for at konvergere.
SprogEngelsk
Udgivelsesdato10 jun. 2020
Antal sider137
ID: 333870212