Digitale Bestandsaufnahme für die Wärmewende mit Deep Learning

Abstract

Die energetische Sanierung des Gebäudebestands stellt eine wesentliche Herausforderung für die Erreichung der Klimaziele dar. Um Fachkräfte bei Sanierungen und Betriebsoptimierungen zu unterstützen, werden neue digitale Verfahren und Werkzeuge benötigt. Wir stellen daher moderne Deep-Learning-basierte Methoden zur digitalen Bestandsaufnahme für die Wärmewende vor. Die entwickelten Methoden extrahieren automatisch die relevanten Informationen über die Heiztechnik in einem Gebäude und stellen diese strukturiert bereit, wobei standardisierte Datenmodelle berücksichtigt werden. Konkret werden zwei Vorhaben mit unterschiedlichen Anwendungsfällen vorgestellt: (1) Die Erfassung von Heizungsräumen mit Mobilgeräten und (2) die Erkennung von Anlagenschemata. Im ersten Vorhaben werden Daten über eine Anlage im Heizungsraum mithilfe eines Smartphones mit LiDAR-Sensor erfasst. Dabei werden Videos, zugehörige 3D-Daten und Kameraparameter aufgenommen. Mithilfe neuronaler Netze werden in den Videodaten die Komponenten der Anlage erkannt. Schließlich wird über die 3D-Daten und -Parameter eine konsistente Szene der Komponenten und ihrer Standorte rekonstruiert. Das zweite Vorhaben befasst sich mit der Digitalisierung von Anlagenschemata. Diese Schemata illustrieren die Anlagentechnik in einem Gebäude und enthalten viele heterogene Informationen wie Textelemente, Symbole und Linien. Im Vorhaben werden neuronale Netze trainiert und angewendet, um die unterschiedlichen Informationen zu erfassen und eine Pipeline entwickelt, um diese miteinander zu verknüpfen. Somit wird das gesamte Schema in eine digitale Repräsentation überführt. Mithilfe dieser Ansätze können arbeitsintensive manuelle Schritte bei energetischen Sanierungen deutlich vereinfacht werden, sodass Fachkräfte entlastet werden und die Wärmewende vorangebracht wird. Das Poster stellt die Methoden und aktuellen Ergebnisse der zwei Vorhaben vor und gibt einen Ausblick auf weitere Schritte.