Machine Learning-Aided Architectural Design for Carbon Footprint Reduction
Authors:
- Mateusz Płoszaj-Mazurek
Abstract
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.
- Record ID
- WUTe0b52482dc33424cbed8b4ca3e851483
- Author
- Other language title versions
- Wspomagane uczeniem maszynowym projektowanie architektury w celu zminiejszenia śladu węglowego
- Journal series
- Builder, ISSN 1896-0642
- Issue year
- 2020
- No
- 7 (276)
- Pages
- 35-39 [Builder Science]
- Publication size in sheets
- 0.50
- Keywords in Polish
- ocena cyklu życia, optymalizacja parametryczna, ślad węglowy, uczenie maszynowe
- Keywords in English
- life cycle assessment, parametric optimization, artificial intelligence, AI, algorithms, ghg emissions, sustainable architecture, big data, machine learning (ML)
- Abstract in Polish
- 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.
- DOI
- DOI:10.5604/01.3001.0014.1615 Opening in a new tab
- URL
- https://builderscience.pl/resources/html/article/details?id=204413&language=en Opening in a new tab
- Language
- (en) English; (pl) Polish
- Score (nominal)
- 40
- Score source
- journalList
- Score
- = 40.0, 20-12-2021, ArticleFromJournal
Share
- Uniform Resource Identifier
- https://repo.pw.edu.pl/info/article/WUTe0b52482dc33424cbed8b4ca3e851483/
- URN
urn:pw-repo:WUTe0b52482dc33424cbed8b4ca3e851483
* presented citation count is obtained through Internet information analysis and it is close to the number calculated by the Publish or PerishOpening in a new tab system.