Fakultät für Angewandte Natur- und Geisteswissenschaften
Refine
Year of publication
Document Type
- Conference Publication (131)
- Contribution to a Periodical (64)
- Report (28)
- Article (peer reviewed) (23)
- conferenceposter (14)
- conferencepaper (10)
- Preprint (7)
- Part of a Book (6)
- Other (6)
- conferenceabstract (3)
Is part of the Bibliography
- no (303)
Keywords
- Schallmesstechnik (85)
- Holzbau (57)
- Schallschutz (14)
- Photovoltaik (13)
- Holzdecken (12)
- Altbausanierung (10)
- Holzbalkendecken (8)
- Innovative Lehrräume (7)
- Körperschall (7)
- Schalldämmung (7)
Institute
- Fakultät für Angewandte Natur- und Geisteswissenschaften (303)
- Zentrum für Forschung, Entwicklung und Transfer (7)
- Fakultät für Angewandte Gesundheits- und Sozialwissenschaften (1)
- Fakultät für Holztechnik und Bau (1)
- Fakultät für Ingenieurwissenschaften (1)
- Fakultät für Innenarchitektur, Architektur und Design (1)
- Fakultät für Wirtschaftsingenieurwesen (1)
Bei der bauakustischen Planung stellt der Holzbau jedoch eine Herausforderung dar. Im Gegensatz zu Konstruktionen des Massivbaus weisen Holzbaukonstruktionen deutlich geringere flächenbezogene Massen auf und es kommen mehrschalige Aufbauten zum Einsatz. Zusätzlich sind die Stoßstellen zwischen Bauteilen im Gebäude komplexer ausgeführt. Diese Elemente beeinflussen das Schwingungsverhalten der Bauteile und daher die Schallübertragung. Die Berechnungs- und Prognoseverfahren für den Schallschutz im Holzbau sind damit deutlich aufwendiger. Daher wurde in den letzten Jahren viel geforscht, um neue Daten und Prognosemodelle für den Holzbau zu entwickeln. Diese Erkenntnisse aus der Forschung in digitale Planungsabläufe zu integrieren und durch Methoden der künstlichen Intelligenz (KI) zu erweitern, ist das Ziel dieses Forschungsfeldes. Der Fortschritt in der Digitalisierung im Bauwesen ist enorm, das Thema BIM wird mittlerweile von allen Herstellern von Planungssoftware im Baubereich bedient und so muss auch das Thema des Holzbaus weiter ausgebaut werden. Hier ist insbesondere die Kombination aus Holzbau und Schallschutz bei den kommerziellen Planungswerkzeugen nicht zu finden. Diese Lücke zu Schließen war Motivation für diesen Forschungsschwerpunkt seit 2018.
Prognose des Schallschutzes bei gebäudetechnischen Anlagen - Übertragungsfunktionen im Holzbau
(2024)
In energieeffizienten, nachhaltigen und ressourcenschonenden Gebäudekonzepten kann der Holzbau seine Stärken ausspielen. Dennoch wird in der öffentlichen Wahrnehmung des Holzbaus das Thema Schallschutz oftmals noch als eine Schwachstelle betrachtet. Für die Luft- und Trittschallübertragung wurden hierfür in den vergangenen Jahren die Planungswerkzeuge erheblich verbessert.
Neben der Luft- und Trittschallübertragung spielen allerdings auch Geräusche aus gebäudetechnischen Anlagen (GTA) eine wichtige Rolle. Die Methoden für die Prognose des resultierenden Schalldruckpegels aus GTA wurden in den vergangenen Jahren weiterentwickelt und stehen mittlerweile auf europäischer Ebene in Normen zur Ermittlung der Eingangsdaten sowie zur eigentlichen Prognoserechnung zur Verfügung.
Im Rahmen dieses Projektes wurden Eingangsdaten für diese Prognoseverfahren für Gebäude in Holzbauweise gesammelt. Dabei wurden sogenannte Übertragungsfunktionen gemessen, welche die gesamte Übertragung von der Anregung bis zum resultierenden Schalldruckpegel in einer Größe zusammenfassen. Das langfristige Ziel ist, einen Katalog an Übertragungsfunktionen bereitzustellen, der zusammen mit Eingangsdaten von GTA eine Prognose ermöglicht. Mit diesem Projekt konnte die Datenbasis für die Gebäude entscheidend erweitert und Strategien für die Gruppierung der Daten für einen Katalog entwickelt werden.
Data-driven models for building thermal dynamics are a scalable approach for enabling energy-efficient operation through fault detection & diagnosis or advanced control. To obtain accurate models, measurement data from a target building spanning months to years are required. Transfer Learning (TL) mitigates this challenge by employing pretrained models based on single or multiple source buildings. General multi-source TL models promise to outperform single-source TL, but alternative multi-source modeling architectures remain to be explored, and evaluation on real-world data is missing. Moreover, time series foundation models (TSFM) have emerged as candidates for the best-performing general models. Hence, we conduct a first, comprehensive assessment of general modeling approaches for building thermal dynamics, including multi-source TL and TSFMs. Our assessment includes ablations using four state-of-the-art multi-source TL architectures and evaluations on synthetic as well as real-world data. We demonstrate that multi-source TL models are highly effective in accurately modeling buildings in real-world applications, yielding up to 63% lower forecasting errors compared to single-source TL. Moreover, our results suggest a trade-off between multi-source TL models exclusively pretrained with building data and TSFMs pretrained with a multitude of different time series, revealing that data from 16-32 source buildings must be available over 1 year for pretraining multi-source TL models to consistently outperform TSFMs as evaluated using the mean absolute error. These findings provide practical guidance for selecting modeling strategies based on the number of source buildings available for pretraining multi-source TL models.
Parameter estimation for dynamical systems remains challenging due to non-convexity and sensitivity to initial parameter guesses. Recent deep learning approaches enable accurate and fast parameter estimation but do not exploit transferable knowledge across systems. To address this, we introduce a transfer-learning-based neural parameter estimation framework based on a pretraining-fine-tuning paradigm. This approach improves accuracy and eliminates the need for an initial parameter guess. We apply this framework to building RC thermal models, evaluating it against a Genetic Algorithm and a from-scratch neural baseline across eight simulated buildings, one real-world building, two RC model configurations, and four training data lengths. Results demonstrate an 18.6-24.0% performance improvement with only 12 days of training data and up to 49.4% with 72 days. Beyond buildings, the proposed method represents a new paradigm for parameter estimation in dynamical systems.
Recent advancements in foundation models for tabular data, such as TabPFN, demonstrated that pretrained Transformer architectures can approximate Bayesian inference with high predictive performance. However, Transformers suffer from quadratic complexity with respect to sequence length, motivating the exploration of more efficient sequence models. In this work, we investigate the potential of using Hydra, a bidirectional linear-time structured state space model (SSM), as an alternative to Transformers in TabPFN. A key challenge lies in SSM’s inherent sensitivity to the order of input tokens – an undesirable property for tabular datasets where the row order is semantically meaningless. We investigate to what extent a bidirectional approach can preserve efficiency and enable symmetric context aggregation. Our experiments show that this approach reduces the order-dependence, achieving predictive performance competitive to the original TabPFN model.
Data-driven modeling of building thermal dynamics is emerging as an increasingly important field of research for largescale intelligent building control. However, research in data-driven modeling using machine learning (ML) techniques requires massive amounts of thermal building data, which is not easily available. Neither empirical public datasets nor existing data generators meet the needs of ML research in terms of data quality and quantity. Moreover, existing data generation approaches typically require expert knowledge in building simulation. To fill this gap, we present a thermal building data generation framework which we call BuilDa. BuilDa is designed to produce synthetic data of adequate quality and quantity for ML research. The framework does not require profound building simulation knowledge
to generate large volumes of data. BuilDa uses a single-zone Modelica model that is exported as a Functional Mockup Unit (FMU) and simulated in Python. We demonstrate BuilDa by generating data and utilizing it for a transfer learning study involving the fine-tuning of 486 data-driven models.
Transfer Learning (TL) is currently the most effective approach for modeling building thermal dynamics when only limited data are available. TL uses a pretrained model that is fine-tuned to a specific target building. However, it remains unclear how to proceed after initial fine-tuning, as more operational measurement data are collected over time. This challenge becomes even more complex when the dynamics of the building change, for example, after a retrofit or a change in occupancy. In Machine Learning literature, Continual Learning (CL) methods are used to update models of changing systems. TL approaches can also address this challenge by reusing the pretrained model at each update step and fine-tuning it with new measurement data. A comprehensive study on how to incorporate new measurement data over time to improve prediction accuracy and address the challenges of concept drifts (changes in dynamics) for building thermal dynamics is still missing. Therefore, this study compares several CL and TL strategies, as well as a model trained from scratch, for thermal dynamics modeling during building operation. The methods are evaluated using 5–7 years of simulated data representative of single-family houses in Central Europe, including scenarios with concept drifts from retrofits and changes in occupancy. We propose Seasonal Memory Learning (SML), a CL strategy that provides greater accuracy improvements than existing CL and TL methods, while maintaining low computational effort. SML outperformed the benchmark of initial fine-tuning by 42.5% without concept drifts and 48.3% with concept drifts.
