Machine Learning-Aided Architectural Design for Carbon Footprint Reduction

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.
Author Mateusz Płoszaj-Mazurek (FA)
Mateusz Płoszaj-Mazurek,,
- Faculty of Architecture
Other language title versionsWspomagane uczeniem maszynowym projektowanie architektury w celu zminiejszenia śladu węglowego
Journal seriesBuilder, [Builder Science], ISSN 1896-0642
Issue year2020
No7 (276)
Pages35-39 [Builder Science]
Publication size in sheets0.5
Keywords in Polishocena cyklu życia, optymalizacja parametryczna, ślad węglowy, uczenie maszynowe
Keywords in Englishlife cycle assessment, parametric optimization, artificial intelligence, AI, algorithms, ghg emissions, sustainable architecture, big data, machine learning (ML)
Abstract in PolishŚrodowisko 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.
DOIDOI:10.5604/01.3001.0014.1615
URL https://builderscience.pl/resources/html/article/details?id=204413&language=en
Languageen angielski , pl polski
Score (nominal)20
Score sourcejournalList
ScoreMinisterial score = 20.0, 13-07-2020, ArticleFromJournal
Citation count*
Cite
Share Share

Get link to the record


* presented citation count is obtained through Internet information analysis and it is close to the number calculated by the Publish or Perish system.
Back
Confirmation
Are you sure?