MOE-Fellowship

Antonia Hain

Entwicklung von Deep-Learning-Methoden zur digitalen Bestandsaufnahme fĂŒr die Energie- und WĂ€rmewende

Der GebĂ€udesektor trĂ€gt maßgeblich zum Endenergieverbrauch in Deutschland bei. Zur Reduzierung der Emissionen und zum Erreichen unserer Klimaschutzziele ist eine Steigerung der Energieeffizienz von BestandsgebĂ€uden unerlĂ€sslich. Angesichts des FachkrĂ€ftemangels sind die zustĂ€ndigen Handwerksbetriebe aber ĂŒberlastet und können der Menge an AuftrĂ€gen nicht schnell genug nachkommen.

Das Promotionsvorhaben soll die Betriebe bei ihrer Arbeit unterstĂŒtzen.  Erreicht wird dies ĂŒber eine auf kĂŒnstlicher Intelligenz (KI) basierte digitale Bestandsaufnahme. Die Bestandsaufnahme ist ein essenzieller Teil der Planung energetischer Erneuerungen, wird heutzutage aber grĂ¶ĂŸtenteils manuell und mit viel Arbeitsaufwand durchgefĂŒhrt. Im Rahmen der Promotion soll dieser Aufwand an zwei Stellen erheblich reduziert werden.

Im ersten Teil des Vorhabens soll ein Vorgehen zur automatischen Erfassung von Bestandsanlagen im Heizungsraum entwickelt werden. Diese Erfassung ist ein notwendiger Schritt, der der Sanierung von Anlagen vorausgeht. Um eine möglichst große ZugĂ€nglichkeit zu erreichen, muss die Erfassung sehr einfach und kostengünstig umgesetzt werden. Deshalb soll sie mit handelsüblichen Smartphones durchgefĂŒhrt werden können. Diese verfĂŒgen in der Regel ĂŒber hochaufgelöste Videokameras und seit 2020 erstmals ĂŒber eine LiDAR-Sensortechnologie, welche die Aufnahme von 3D-Daten in HeizungsrĂ€umen ermöglicht. Die relevanten Komponenten einer Heizungsanlage sollen auf diesen Daten automatisch identifiziert und im Raum lokalisiert werden, sodass die Anlage und ihre Verbindungen in einer 3D-Szene rekonstruiert werden können. Die Verarbeitung der multimodalen Sensordaten wird dabei mithilfe moderner Methoden im Bereich von digitaler Bildverarbeitung und Deep Learning erreicht. Die daraus gewonnen Informationen können danach beispielsweise in eine Ontologie zur Modellierung der Energieflüsse und zur Generierung von Heizungsanlagenschemata überführt werden. Dadurch werden die Informationen für die Angebotserstellung durch die Handwerksbetriebe nutzbar.

Ein alternativer Zugang zur Erstellung von Heizungsanlagenschemata kann ĂŒber die digitale Erfassung bestehender HeizungsplĂ€ne erfolgen. Diese Möglichkeit soll in einem zweiten Teil des Projektes genutzt werden. Die Schemata werden beispielsweise zur Planung von Maßnahmen der Betriebsoptimierung benötigt, aber liegen in der Regel in Form von analogen PlĂ€nen vor. Im Laufe der Zeit ist eine Vielzahl an individuellen Schemata mit menschlichen Annotationen zur Beschreibung der Anlagen entstanden. Um die bestehenden PlĂ€ne effizient nutzen und anpassen zu können, sollen sie mit Hilfe von Bilderkennung und kĂŒnstlicher Intelligenz digitalisiert und alle ihre Komponenten und deren ZusammenhĂ€nge semantisch erfasst werden. Dies ermöglicht eine flexible Gestaltung der PlanungsvorgĂ€nge.

Zusammengefasst sollen die im Projekt entwickelten Werkzeuge zeitaufwendige Arbeitsschritte fĂŒr Handwerksbetriebe maßgeblich erleichtern. So soll die Entscheidung fĂŒr solche AuftrĂ€ge fĂŒr sowohl Betriebe als auch Kund*innen attraktiver werden und die Bearbeitung von mehr AuftrĂ€gen ermöglicht werden. Damit wird ein Beitrag zur dringend WĂ€rmewende und damit dem Klimaschutz geleistet. Die Promotion findet am Fraunhofer-Institut fĂŒr Solare Energiesysteme statt und wird von der Albert-Ludwigs-UniversitĂ€t Freiburg betreut.


Übersicht

Förderzeitraum

01.08.2023 - 31.07.2026

Institut

Albert-Ludwigs-UniversitĂ€t Institut fĂŒr Informatik

Betreuer

Prof. Dr. Thomas Brox

Kontakt

Mail