Automation of design options creation using building information modeling and neural networks

Every year the problem of buildings’ energy consumption and its influence on environment attracts more and more attention. And this has reasonable grounds: construction plays a pivotal role in global energy consumption. Thus, several design options are often considered before making the final decision about building’s configuration. This work proposes a framework for automating design alternatives creation using BIM technology and Neural Networks. A case study has been analyzed involving automated creation of thirty thousand different design alternatives using Revit, varying such parameters as shape of the building, Window-to-wall ratio, Thermal Resistance of Floor, Walls and Roof, rotation in plan. Energy analysis has then been run on these design alternatives using Green Building Studio to output the estimation of energy consumption of each design combination. A neural network has than been trained on the data that belongs to one of the shapes with subsequent use of Transfer Learning technique to retrain the Neural Network to fit the data belonging to other shapes using only a small percentage of the data. Obtained Neural Network showed its ability to adapt itself to accurately predict design alternatives of other Revit models with only 1-2% of the data obtained by automation.

Sempre di più il problema del consumo energetico degli edifici e la sua influenza sull'ambiente attira attenzione, infatti il settore delle costruzioni ha un ruolo centrale nel consumo globale di energia. Pertanto, vengono spesso prese in considerazione diverse opzioni di progettazione prima di prendere la decisione finale sulla configurazione dell'edificio. Questo lavoro propone un quadro per automatizzare la creazione di alternative di progettazione utilizzando la tecnologia BIM e le reti neurali. È stato analizzato un caso di studio che coinvolge la creazione automatizzata di diverse decine di migliaia di alternative progettuali utilizzando Revit, variando tali parametri come forma dell'edificio, rapporto tra superficie finestrata e non, resistenza termica di pavimento, muri e tetto, orientamento dell’edificio. L'analisi energetica è stata quindi eseguita su queste alternative di progettazione utilizzando Green Building Studio per fornire la stima del consumo energetico di ciascuna combinazione. La rete neurale è stata quindi addestrata sui dati che appartengono a una delle forme con successivo utilizzo della tecnica di Transfer Learning per riaddestrare la rete neuronale e adattare i dati appartenenti ad altre tipologie di progetto utilizzando solo una piccola percentuale dei dati a disposizione. La rete neurale ottenuta ha mostrato la sua capacità di adattarsi per prevedere con precisione le alternative di progettazione di altri modelli di Revit con solo 1-2 % dei dati disponibili.