@misc{Sommer2024, type = {Master Thesis}, author = {Sommer, Philipp}, title = {Energiebedarfsbestimmung von Bestands-Wohngeb{\"a}uden anhand von maschinellen Lernmethoden}, doi = {10.25974/fhms-18018}, url = {http://nbn-resolving.de/urn:nbn:de:hbz:836-opus-180188}, school = {FH M{\"u}nster - University of Applied Sciences}, pages = {92}, year = {2024}, abstract = {Energieausweise informieren {\"u}ber den Energiebedarf und -verbrauch von Geb{\"a}uden. F{\"u}r die Erstellung eines Energieausweises werden geb{\"a}udespezifische Daten ben{\"o}tigt, weshalb sie oft nicht f{\"u}r alle Geb{\"a}ude vorliegen oder erst durch eine Begehung vor Ort erfasst werden k{\"o}nnen. Die vorliegende Arbeit untersucht die M{\"o}glichkeit, durch die Identifikation eines Datenschemas, basierend auf einer integrativen Analyse von Energieausweisen, Energiebedarfsvorhersagen f{\"u}r unbekannte Wohngeb{\"a}ude zu treffen. Die Zielsetzung der vorliegenden Arbeit besteht in der Identifikation wesentlicher Merkmale aus offenen Datenquellen, welche den Energiebedarf signifikant beeinflussen sowie deren Integration in ein kompaktes und effizientes Regressionsmodell. Dabei werden verschiedene maschinelle Lernmethoden, insbesondere das Extreme Gradient Boosting (XGB), eingesetzt, um Modelle zu entwickeln und zu validieren, die auf Daten aus Energieausweisen basieren. Daf{\"u}r werden unter anderem Merkmale aus den beschriebenen Merkmalen zum Dach, der Außenw{\"a}nde, zu Fenstern und zum Boden extrahiert und in neue Merkmale {\"u}berf{\"u}hrt. Dies sind unter anderem Dach- und Wandtyp, das zugeh{\"o}rige Isolationsniveau und der Verglasungsgrad der Fenster. Im Anschluss werden drei Datens{\"a}tze entwickelt und auf ihre Leistung untersucht. Eine Analyse der Merkmalsrelevanz hat gezeigt, dass {\"u}ber alle Datens{\"a}tze hinweg bestimmte Merkmale wie Geb{\"a}udetyp, Baujahr, Wohnfl{\"a}che, D{\"a}mmungsgrad und geografische Lage entscheidenden Einfluss auf die Vorhersage des Energiebedarfs haben. Das auf den Fernerkundungsdaten basierte Modell, wies nach Optimierung ein Bestimmtheitsmaß R2 von 0,64 und einen mittleren absoluten Fehler (MAE) von 4,12 auf. Der Fehler bezieht sich auf eine Effizienzskala von 1-100 (Energieklasse G-A). Nach Skalierung der Pipeline und durch Erg{\"a}nzung weiterer Datenpunkte, konnte der Wert auf 0,84 erh{\"o}ht werden. Durch die Erg{\"a}nzung von vebrauchsabh{\"a}ngigen Merkmalen, erreichte das XGB-Regressionsmodell ein R2 von 0,94 und einen MAE von 1,46 {\"u}ber den Trainings- und Testdatensatz. Zur weiteren Validierung werden die Auswirkungen der einzelnen Merkmale {\"u}ber Shapley-Werte quantifiziert, um die Auswirkungen der Merkmale bei der Vorhersage zu interpretieren. Die entwickelten Modelle erreichten eine hohe Prognosegenauigkeit und demonstrierten eine signifikante Verbesserung gegen{\"u}ber herk{\"o}mmlichen Methoden. Die Erstellung der Datens{\"a}tze erfolgte unter Verwendung der Programmiersprache Python sowie des Frameworks Scikit-learn (Version 1.4.1) zur Entwicklung der Modelle. Die erzeugten Datens{\"a}tze und Modelle wurden in eine reproduzierbare Pipeline {\"u}berf{\"u}hrt und stehen nach Freigabe unter GitHub zur Verf{\"u}gung.}, language = {de} } @misc{Bieker2024, type = {Master Thesis}, author = {Bieker, Nils}, title = {Beschleunigungsarchitektur : [Wintersemester 2023/2024]}, school = {FH M{\"u}nster - University of Applied Sciences}, pages = {127 Seiten}, year = {2024}, language = {de} } @misc{Becker2024, type = {Master Thesis}, author = {Becker, Melanie}, title = {Exponat Architektur : geschichtliche Entwicklung und zuk{\"u}nftige Perspektiven der Museumsarchitektur im Kontext sich wandelnder Exponatformate : [Wintersemester 2023/2024]}, school = {FH M{\"u}nster - University of Applied Sciences}, pages = {235 Seiten}, year = {2024}, language = {de} } @misc{Kohlhaas2024, type = {Master Thesis}, author = {Kohlhaas, Celine}, title = {A good place to die : ein Hospiz f{\"u}r {\O}restad : [Wintersemester 2023/2024]}, school = {FH M{\"u}nster - University of Applied Sciences}, pages = {230 Seiten}, year = {2024}, language = {de} } @misc{Henning2024, type = {Master Thesis}, author = {Henning, Jule}, title = {Taisla : floating city : [Wintersemester 2023/2024]}, school = {FH M{\"u}nster - University of Applied Sciences}, pages = {230 Seiten}, year = {2024}, language = {en} } @misc{Mesic2024, type = {Master Thesis}, author = {Mesic, Michelle}, title = {Exploration der Atmosph{\"a}re : ein Ansatz zur St{\"a}rkung der Ortsidentit{\"a}t auf Hallig Hooge : [Wintersemester 2023/2024]}, school = {FH M{\"u}nster - University of Applied Sciences}, pages = {219 Seiten}, year = {2024}, language = {de} } @misc{Schilling2024, type = {Master Thesis}, author = {Schilling, Linus Manuel}, title = {Partizipatives Entwerfen mithilfe von KI-Technologie : Architektur im Dialog: KI-gesch{\"u}tzte Chatbots zur Verst{\"a}rkung partizipativer Designprozesse : [Wintersemester 2023/2024]}, school = {FH M{\"u}nster - University of Applied Sciences}, pages = {93 Seiten}, year = {2024}, language = {de} } @misc{vonOstrowski2024, type = {Master Thesis}, author = {von Ostrowski, Rosa}, title = {Die Identit{\"a}t des Ortes : der Bestand als Identit{\"a}tsressource im l{\"a}ndlichen Raum : [Wintersemester 2023/2024]}, school = {FH M{\"u}nster - University of Applied Sciences}, pages = {146 Seiten}, year = {2024}, language = {de} } @misc{vanderPuetten2024, type = {Master Thesis}, author = {van der P{\"u}tten, Nadine}, title = {Architekturwahrnehmung in der Schule : das Wohlbefinden der Kinder im Fokus : [Wintersemester 2023/2024]}, school = {FH M{\"u}nster - University of Applied Sciences}, pages = {245 Seiten}, year = {2024}, language = {de} } @misc{Liebing2024, type = {Master Thesis}, author = {Liebing, Alexander-B{\´e}la}, title = {Zwischen den Welten : eine Verbindung von virtuellen und physischen R{\"a}umen : [Wintersemester 2023/2024]}, school = {FH M{\"u}nster - University of Applied Sciences}, pages = {192 Seiten}, year = {2024}, language = {de} }