Energiasimuloinnin parametrisointi ja rakennuksen energiatehokkaan suunnitteluratkaisun tuottamisen, analysoinnin ja päätöksenteon kehitysperusteet

Transkriptio

1 Aalto-yliopisto Insinööritieteiden korkeakoulu Energiatekniikan laitos Tapani Idman Energiasimuloinnin parametrisointi ja rakennuksen energiatehokkaan suunnitteluratkaisun tuottamisen, analysoinnin ja päätöksenteon kehitysperusteet Diplomityö, joka on jätetty opinnäytteenä tarkastettavaksi diplomi-insinöörin tutkintoa varten. Espoossa Työn valvoja: Professori Kai Sirén Työn ohjaaja: Diplomi-insinööri Tuomas Laine

2 AALTO-YLIOPISTO TEKNIIKAN KORKEAKOULUT PL 12100, Aalto DIPLOMITYÖN TIIVISTELMÄ Tekijä: Tapani Idman Työn nimi: Energiasimuloinnin parametrisointi ja rakennuksen energiatehokkaan suunnitteluratkaisun tuottamisen, analysoinnin ja päätöksenteon kehitysperusteet Korkeakoulu: Insinööritieteiden korkeakoulu Laitos: Energiatekniikan laitos Professuuri: LVI-tekniikka Koodi: Ene-58 Työn valvoja: Professori Kai Sirén Työn ohjaaja: Diplomi-insinööri Tuomas Laine Tärkein rakennusten energiasimuloinnin kehityskohde on sen käyttötarkoituksen kehittäminen suunnitelmien tarkastamisesta sekä määräystenmukaisuuden ja tavoitteiden toteutumisen varmistamisesta aidoksi suunnitteluprosessia tukevaksi ja vaihtoehtoisia suunnitteluratkaisuja tuottavaksi työkaluksi. Siihen liittyy olennaisena osana itse energiasimuloinnin kehittämistä, mutta ennen kaikkea simulointia tukevien sovellusten, prosessien ja menetelmien sekä niiden integroinnin kehittämistä. Tämä mahdollistaa nykyisen toimintakulttuurin tehostamisen sekä aivan uudenlaisten toimintatapojen soveltamisen ja kehittämisen rakennusten suunnittelussa. Rakennusten suunnitteluratkaisujen tuottamisessa yleisimmin käytetyt menetelmät ovat interaktiivinen päätöksentekoprosessi sekä optimointialgoritmeja hyödyntävä monitavoiteoptimointi. Tässä diplomityössä valittiin kehitystyön pohjaksi interaktiivinen päätöksentekoprosessi. Prosessissa tuotetaan valittavien muuttujien määrittelyillä vaihtoehtoisia suunnitteluratkaisuja, joille suoritetaan energiasimulointi. Simuloinnin tulokset analysoidaan ja sen perusteella tehdään päätöksiä prosessin ohjauksesta. Prosessi hyödyntää herkkyys- ja epävarmuusanalyyseja päätöksentekoa tukevan informaation tuottamisessa ja päätöksentekijää tulosten analysoinnissa, päätöksenteossa ja prosessin ohjaamisessa. Prosessissa käytettäväksi herkkyysanalyysimenetelmäksi voitiin valita regressioon perustuva menetelmä ja siihen liittyen voitiin todeta yksinkertaisen satunnaisen otannan olevan riittävä tuottamaan hyvin ratkaisujoukkoa kuvaavan ja kattavan otoksen herkkyysanalyysia ja tulosten analysointia varten. Tulosten analysointi toteutettiin interaktiivisella visualisointiympäristöllä, jossa päätöksentekijä saa tietoa suunnitteluratkaisuista, niiden suorituskykymittareiden arvoista sekä niihin liittyvistä muuttujista useilla erilaisilla integroiduilla ja interaktiivisilla visualisoinneilla. Prosessin ja siihen liittyvien menetelmien sekä visualisointien käyttöä demonstroimalla voitiin todeta sekä prosessin toimivuus että lisäkehitystarpeita. Suunnitteluratkaisujen tuottamisen edellytyksenä on energiasimuloinnin muuttujien määrittäminen. Tässä työssä voitiin todeta, että muuttujien määrittäminen on tehtävä aina tapauskohtaisesti, koska muuttujien merkittävyys riippuu paljon mm. suunniteltavan rakennuksen sijainnista, rakennustyypistä ja asetetuista tavoitteista. Tästä syystä käytettävien muuttujien lähtökohtina ovat olleet pääasiassa ohjelmistotekniset rajoitukset ja mahdollisuudet. Suunnitteluratkaisujen tarkastelun lähtökohtana on ollut ainoastaan energiatehokkuus, jonka kuvaaminen on ollut käytettävien suorituskykymittareiden valinnan perusteena. Tämä lähtökohta on myös prosessin suurin haaste, sillä päätöksenteko ja prosessin ohjaukseen liittyvä suunnitteluratkaisujoukon rajaus ilman päätöksenteossa erittäin oleellisia kustannuksia kuvaavia mittareita on hyvin ongelmallista. Päivämäärä: Kieli: suomi Sivumäärä: Avainsanat: Energiasimulointi, rakennuksen suunnitteluratkaisu, parametrisointi, herkkyysanalyysi, epävarmuusanalyysi, tulosten visualisointi, päätöksenteko, suorituskykymittarit, pilvilaskenta

3 AALTO UNIVERSITY SCHOOLS OF TECHNOLOGY PO Box 12100, FI AALTO ABSTRACT OF THE MASTER S THESIS Author: Tapani Idman Title: Parametrization of energy simulation and development of energy-efficient building design, analysis and decision making process School: School of Engineering Department: Department of Energy Technology Professorship: Heating, Ventilation and Air Conditioning Code: Ene-58 Supervisor: Professor Kai Sirén Instructor: Tuomas Laine, M.Sc. (Tech.) The target of the development of building energy simulation should be changing its use from a verifying tool to a design support tool that is able to produce alternative energy-efficient design solutions. This involves development of the energy simulation itself but most of all development of the whole energy simulation environment and the integration of the process and the supporting tools and methods. This will make it possible to enhance the current working culture but also to adapt and develop new ways of working in the building design process. The most used methods to produce alternative building design solutions are the interactive decision making process that utilizes a decision maker to control the process and multi-objective optimization that utilizes algorithms for the same purpose. In this thesis the interactive decision making process has been chosen as the basis of the development. The process can be divided into three parts: parametrization, simulation and result analysis. The process utilizes sensitivity and uncertainty analysis to produce information for the decision making and an interactive visualization environment to present the results. The sensitivity analysis method to be used in the process is based on regression and with respect to that a simple random sampling method can be utilized to produce a representative and comprehensive sampling for both the sensitivity analysis and the result analysis. All the results are presented in an interactive visualization environment where the decision maker is provided with information on the design solutions with respect to the key performance indicators and the considered variables. The environment consists of multiple integrated and interactive visualizations. By demonstrating the developed process and its features with a simplified demo-project it was possible to establish the functionality of the process and the need for further development. The alternative building design solutions are produced by defining the considered variables. The selection and definition of the variables depends strongly on the targets and the location and type of the building. For this reason the variables discussed in this work are selected on the basis of technical limitations and possibilities of the considered energy simulation software. The perspective of the whole process is energy efficiency and also the selection of the key performance indicators is based on the same perspective. This perspective is also a major challenge for the process because the decision making and the process control - that is done by limiting the solution space - is very problematic without the essential cost-related key performance indicators. Date: Language: Finnish Number of pages: Keywords: Energy simulation, building design, parametrization, sensitivity analysis, uncertainty analysis, result visualization, decision making, key performance indicators, cloud computing

4 Alkusanat Tämä diplomityö on tehty Granlund Oy:ssä osana yrityksen tutkimus- ja kehitystyötä. Työn pohjana on ollut tarve mahdollistaa vaihtoehtoisten rakennusten energiatehokkaiden suunnitteluratkaisuiden tuottaminen sekä löytää kehitysperusteet siihen liittyvälle prosessille ja menetelmille. Kiitän työnantajaani mahdollisuudesta tehdä diplomityö juuri tästä aihepiiristä. Diplomityön valvojaa Kai Siréniä haluan kiittää asiantuntevasta palautteesta työn edetessä sekä erityisesti innostuksen synnyttämisestä rakennusten energiaoptimointiin. Työn ohjaajaa Tuomas Lainetta haluan kiittää hyvistä neuvoista ja työn ohjaamisesta oikeaan suuntaan. Antti Karolaa haluan kiittää kommenteista kehitystyön yhteydessä sekä Hanna Stammeieria koulutuksesta ja avusta RIUSKA-ohjelmistoon liittyen. Kiitos myös arvokkaasta vertaistuesta Anni Tynille. Suurin kiitos kuuluu vaimolleni Kirsille sekä pojilleni Danille ja Mikaelille, jotka ovat pitäneet kotona huolen siitä, että minulla muuta ajateltavaa kuin tämä työ. Espoossa Tapani Idman

5 Sisällysluettelo LYHENTEET 1 JOHDANTO TYÖN TAUSTA TAVOITTEET JA RAJAUS KIRJALLISUUSKATSAUS SIMULOINNIN EKOSYSTEEMIT Case-tarkastelut ENERGIASIMULOINNIN PARAMETRISOINTI Suunnittelumuuttujat Skenaariomuuttujat Herkkyys- ja epävarmuusanalyysit SUUNNITTELURATKAISUJEN TUOTTAMINEN Monitavoiteoptimointi Monikriteeriset päätöksentekomenetelmät Interaktiiviset päätöksentekomenetelmät ENERGIASIMULOINNIN PROSESSOINTI Pilvilaskenta Pilvilaskenta energiasimuloinnissa Ennustavat menetelmät ENERGIASIMULOINTIYMPÄRISTÖN KEHITYSPERUSTEET PROSESSI Prosessin määrittely PARAMETRISOINTI Muuttujien määrittely Herkkyysanalyysimenetelmän valinta TULOSTEN KÄSITTELY Rakennuksen suorituskyvyn mittarit Visualisoinnit Interaktiivinen visualisointiympäristö PÄÄTÖKSENTEKO... 81

6 4. ENERGIASIMULOINTIPROSESSIN DEMONSTROINTI ENSIMMÄINEN SIMULOINTIKIERROS Parametrisointi ja simuloitavien tapausten määrittely Herkkyysanalyysi Tulosten käsittely ja päätöksenteko TOINEN SIMULOINTIKIERROS Parametrisointi ja simuloitavien tapausten määrittely Herkkyysanalyysi Tulosten käsittely ja päätöksenteko KOLMAS SIMULOINTIKIERROS Parametrisointi ja simuloitavien tapausten määrittely Herkkyysanalyysi Tulosten käsittely ja päätöksenteko Epävarmuusanalyysi ENERGIASIMULOINNIN PILVIPERUSTEINEN PROSESSOINTI JOHTOPÄÄTÖKSET DEMONSTROINNISTA JOHTOPÄÄTÖKSET JA YHTEENVETO LÄHDELUETTELO LIITELUETTELO

7 Lyhenteet CAD FFC GC HRV IC ISES IVEL KPI NZEB PCP RYM PRE SOM Computer Aided Design, tietokoneavustainen suunnittelu Free Floating Conditions Generative Components Hyper-Radial Visualization Influence Coefficient, vaikutuskerroin Intelligent Services For Energy-Efficient Design and Life Cycle Simulation Integrated Virtual Energy Laboratory Key Performance Indicator, suorituskykymittari Nearly Zero Energy Building, lähes nollaenergiarakennus Parallel Coordinate Plot Built Environment Process Re-Engineering Self-Organizing Maps, itseorganisoituvat kartat

8 1 Johdanto Kiristyvät määräykset, taloudelliset intressit, huoli ympäristöstä ja kestävä kehitys ajavat sekä uudis- ja korjausrakentamista että rakennusten käyttöä ja ylläpitoa energia- ja kustannustehokkaampaan suuntaan. Tilaajien ja lainsäätäjien vaatimuksia pyritään täyttämään tarpeenmukaisilla ja hyvin suunnitelluilla tilaratkaisuilla, kehittyneillä materiaaleilla ja niiden käytön ratkaisuilla, tarpeenmukaisesti ohjatuilla taloteknisillä järjestelmillä, uusiutuvilla ja rakennuksessa kierrätettävillä energioilla sekä passiivisilla lämmön- ja valonlähteillä. Rakennuksen energiatehokkaaseen suunnitteluun liittyvien ratkaisujen suuren määrän vuoksi vaihtoehtojen vertailu ja mahdollisimman hyvin sekä vaatimukset täyttävän että taloudellisen ratkaisun tuottaminen nykymenetelmillä on erittäin vaikeaa. Näihin suunnittelun, kunnossapidon ja rakennuksen käytön haasteisiin on pyritty vastaamaan kehittämällä ja hyödyntämällä rakennusten tietomalleja ja niiden avulla suoritettavaa energiasimulointia. Rakennusten tietomallien ansiosta rakennukseen ja sen osiin liittyvä tieto on yksiselitteistä ja erilaisten tietoteknisten järjestelmien ja ohjelmistojen kannalta helposti saavutettavissa. Tietomalli mahdollistaa osien ja komponenttien määrien, geometrioiden ja sijaintien yksiselitteisen määrittelyn sekä niiden ominaisuuksien määrittelyt. Tätä tietosisältöä voidaan käyttää lähtötietona rakennukselle tehtäville suorituskykytarkasteluille, kuten energiasimuloinneille. Energiasimulointi yhdistetään rakennuksen tietomalliin nykyisin usein vasta siinä vaiheessa, kun alustavat suunnitelmat on jo tehty ja halutaan varmistua asetettujen tavoitteiden toteutumisesta. Hyödyntämällä tietomalleja yhdessä energiasimuloinnin kanssa voidaan rakennuksen alkuvaiheen suunnittelussa saada parempi kokonaiskuva rakennuksen energiatehokkuuden mahdollisuuksista ja rajoituksista sekä vertailla huomattavasti useampia suunnitteluratkaisuvaihtoehtoja. Sinisalo (1) on osoittanut diplomityössään, että jo pienellä määrällä vaihtoehtoja voidaan tuottaa tietoa perustellulle päätöksenteolle ja saavuttaa parempia suunnitteluratkaisuja. Tässäkin tapauksessa tuotettujen ja analysoitujen ratkaisujen määrä jää kymmeniin, mikä ei ole usein riittävästi edes lähes optimaalisen ratkaisun löytämiseksi Työn tausta Tämä diplomityö tehdään osana suomalaista RYM PRE -tutkimusohjelman Model Nova -työpakettia sekä EU-rahoitteista ISES-projektia. Model Nova -hankkeen tavoitteena on tuottaa liiketoimintamalli ja toimintakulttuuri, joka hyödyntää tietomallien käyttöä ja mahdollistaa kestävän kehityksen mukaisen toiminnan. Hankkeessa on tarkoitus kehittää rakennetun ympäristön koko elinkaarta hyödyttäviä prosesseja ja palveluita. Tutkimuksen kohteena nähdään myös osaaminen alalla, ohjelmistoteollisuus ja sen vaatimukset, työprosessit sekä järjestelmätason kehittämisperusteet. Kaiken tämän yhteensovit- 1

9 taminen edellyttää uudenlaisia tapoja viestiä ja tehdä yhteistyötä kaikkien rakennetun ympäristön kehittämiseen osallistuvien osapuolten kesken. Model Nova -hankkeeseen sisältyvät diplomityön teoriaosuus sekä kehitysperusteiden laatiminen. ISES-projektin tavoitteena on olemassa olevien rakennusten energiatehokkuuden hallintaan liittyvien IC-teknologioiden integrointi, täydentäminen ja niiden ominaisuuksien kehittäminen. Tämä mahdollistaa paremmin rakennusten ja niiden osien energiatehokkuuden hallinnan koko elinkaaren ajalla simuloinnin, optimoinnin ja erilaisten arviointimenetelmien avulla jo suunnitteluvaiheessa. Projektissa tarjotaan ratkaisuksi sovellusalustaa, jonka tarkoituksena on tukea näiden olemassa olevien sovellusten yhteentoimivuutta ja tarjota niille yhteiset tietorakenteet (ontologia). Diplomityön demonstrointiosuus tehdään osana ISES-projektia, ja kaikki ohjelmistojen kehitystyö tehdään diplomityön ulkopuolella ISES-projektiin liittyen Tavoitteet ja rajaus ISES-projektin tavoitteena on siis luoda sovellusalusta, joka mahdollistaa olemassa olevien sovellusten yhteentoimivuuden ja niiden käyttöarvon lisäämisen yhteistoiminnan tuomien etujen avulla. Tavoitteenmukaiseen sovelluskokoonpanoon kuuluvat olemassa olevina komponentteina IVEL Core, joka toimii web-pohjaisena alustana ohjelmistoympäristölle, tavoitteiden asettamiseen ja hallintaan käytettävä WebROOMEX, energialaskentaohjelmana, energia-analyysien tuloksia tuottavana ja käyttöliittymänä toimiva RIUSKA, joka käyttää laskentamoottorina DOE-2:ta, sekä tietokantoja tässä ympäristössä käytettävälle ja tuotettavalle datalle. Tämän ohjelmistoympäristön kehittämiseen tarvitaan kokonaiskuva prosessista, joka käsittää sovellettavat menetelmät ja niiden yhteensovittamisen. Rakennuksen energiatehokkaan suunnitteluratkaisun onnistunut määrittäminen edellyttää vaihtoehtoisten ratkaisujen tuottamista, analysointia ja päätöksentekoa. Oleellisena osana tätä prosessia on myös energiatehokkuuden kannalta merkittävimpien muuttujien määrittäminen ja niiden avulla tuotettujen vaihtoehtojen vertailu. Tässä työssä on tavoitteena vastata seuraavaksi esitettyihin kysymyksiin. Miten suunnitteluratkaisuvaihtoehtojen tuottamisen, simuloinnin, analysoinnin ja päätöksenteon prosessi tulisi toteuttaa? Yllä kuvattuun ympäristöön on tarkoitus tuoda mahdollisuus tuottaa energiatehokkaita suunnitteluratkaisuja ja niistä simuloituja tuloksia sekä kehittää tulosten analysointiin ja visualisointiin tarvittavia työkaluja päätöksenteon ja suunnittelun tueksi. Käytännössä tämä tarkoittaa energiasimuloinnin tehokasta prosessointia ja riittävää laskentakapasiteettia, sillä vaadittavaan lopputulokseen, eli käytettävien resurssien puitteissa mahdollisimman energiatehokkaaseen suunnitteluratkaisuun, päästään vain simulointiprosessilla, jonka tuloksena saatavia vaihtoehtoisia suunnitteluratkaisuja voi muuttujista riippuen olla tuhansia. 2

10 Tässä työssä perehdytään energiasimuloinnin ekosysteemeihin kokonaisuuksina, sekä niihin erityispiirteisiin, joita energiasimuloinnin hyödyntämisellä on rakennusten suunnitteluratkaisuvaihtoehtojen tuottamisessa ja analyyseissa. Lisäksi työssä on soveltava osuus, jossa on tarkoitus testata kehitettävää simulointiprosessia suunnitteluratkaisuvaihtoehtojen tuottamisessa ja analysoinnissa. Osuuden tarkoituksena on arvioida, miten kehitettävä simulointiympäristö soveltuu rakennusten energiatehokkaiden suunnitteluratkaisujen tuottamiseen ja analysointiin. Lisäksi tämän demonstrointiosuuden perusteella tullaan määrittelemään ne perusperiaatteet ja ominaisuudet, joita tulisi pystyä edelleen kehittämään. Energiasimuloinnin tuloksiin vaikuttavien tekijöiden osalta selvitetään, mitkä muuttujat ovat alkuvaiheen suunnitteluratkaisun energiatehokkuuden kannalta merkittävimpiä. Tarkoituksena on tutkia ongelman parametrisointia, eli suunnitteluratkaisuihin vaikuttavia muuttujia, niiden painoarvoon ja tarpeenmukaiseen tarkkuuteen sekä rajauksiin liittyviä perusteita niitä valittaessa ja määriteltäessä. Vaihtoehtojen tuottamiseen, hallintaan ja niihin vaikuttavien muuttujien arvojen järkevään määrittelyyn ja vaikuttamiseen liittyviä menetelmiä tutkitaan myös osana tätä kokonaisuutta. Menetelmät vaihtoehtoisten energiatehokkaiden suunnitteluratkaisujen tuottamiseen ovat tässä työssä osa Model Nova -hanketta. Prosessista saatavan hyödyn maksimoimiseksi selvitetään, miten määriteltyjen suunnitteluratkaisuvaihtoehtojen muuttujien ja tulosten muodostamia ratkaisujoukkoja visualisoidaan ja analysoidaan niin, että käytettävissä olevan tiedon avulla voidaan tehdä päätöksiä valittavasta suunnitteluratkaisusta mahdollisimman tehokkaasti ja luotettavasti. Kehitettävän prosessin tuottamat rakennusten suunnitteluratkaisut eivät ole yksikäsitteisesti asetettavissa paremmuusjärjestykseen. Energiatehokkuutta koskevien määräysten, vaatimusten yms. jälkeenkin tuloksia on todennäköisesti niin suuri määrä ja päätöksentekoon vaikuttavat dimensiot vaikeasti subjektiivisesti painotettavia, että päätöksenteon tueksi tarvitaan työkaluja. Tavoitteena on löytää kehitysperusteet interaktiivisen päätöksenteon mahdollistavalle visualisointiympäristölle. Tässä työssä puhutaan energiasimuloinnissa määriteltävissä olevista ominaisuuksista tai aktiviteeteista parametreina ja vaihtoehtoisten suunnitteluratkaisujen tuottamiseen valittavista parametreista muuttujina. Muuttujat ovat siis energiasimuloinnissa käytettävien parametrien erikoistapaus. Parametrien ja muuttujien perusteella saaduista energiasimuloinnin tuloksia arvioidaan suorituskykymittareilla. Tarkasteltaessa optimointiprosessin avulla tuotettavia suunnitteluratkaisuja puhutaan varioitavista parametreista päätösmuuttujina ja optimoinnin tavoitteina olevista energiasimuloinnin tuloksista kohdefunktioina. Parametrisoinnilla tarkoitetaan tarkasteltavaan ongelmaan vaikuttavien parametrien ja erityisesti muuttujien tunnistamista ja määrittämistä. 3

11 2. Kirjallisuuskatsaus Tässä luvussa on tarkoituksena perehtyä energiasimulointiympäristöihin, joita käytetään erityisesti suunnitteluprosessia tukevina työkaluina, sekä prosessissa käytettäviin muuttujiin, niihin liittyviin analyyseihin sekä muuttujia ja tuloksia hyödyntäviin päätöksentekomenetelmiin. Energiasimulointien tarkastelussa ei perehdytä käytettyihin simulointiohjelmiin tai niissä käytettäviin menetelmiin vaan toteutettuihin toimintamalleihin sekä niiden perusperiaatteisiin, soveltuvuuteen ja kehitysperusteisiin. Suunnitteluratkaisuvaihtoehtojen tuottamisessa perehdytään sekä optimointiprosessiin että analysointi- ja päätöksentekomenetelmiin ja niiden ominaisuuksiin, rajoituksiin ja mahdollisuuksiin. Lisäksi tarkastellaan pilviperusteisen laskennan erityispiirteitä ja mahdollisuuksia suunnitteluratkaisuvaihtoehtoja tuottavassa energiasimulointiprosessissa. Tämän luvun perusteella tehtävät johtopäätökset esitetään kehitysperusteita käsittelevässä luvussa Simuloinnin ekosysteemit Useissa tutkimuksissa on voitu todeta, että alkuvaiheen suunnittelun vaikutus rakennuksen energiatehokkuuteen, elinkaarikustannuksiin ja niihin liittyviin vaikutusmahdollisuuksiin on hyvin merkittävä (2,3). Vaikutusmahdollisuuksiin liittyvät hyvin olennaisesti suunnitteluun, simulointeihin ja analysointeihin tarkoitetut ohjelmistot ja niiden käyttämien tietorakenteiden yhteensopivuus. On myös otettava huomioon eri ohjelmistojen välillä siirrettävän tiedon riittävyys, mikä usein tarkoittaa sitä, ettei kaikkea tietoa ole tarpeen siirtää ohjelmistojen välillä. Tutkimusten mukaan eri simulointiohjelmistoja myös käytetään eri suunnitteluvaiheissa (4). Energiasimulointi suoritetaan usein suunnitteluvaiheen jälkeen suunnitelmien suorituskyvyn verifioimiseksi, eikä vuorovaikusta suunnittelunratkaisun määrittämiseen liittyvään päätöksentekoon välttämättä ole tai se on hyvin rajoittunutta. Jotta energiasimulointia voitaisiin hyödyntää erilaisten suunnitteluratkaisujen vertailuun ja niihin liittyvien muuttujien vaikutusten arvioimiseen, täytyy energiasimuloinnin ja siihen liittyvät tavoitteiden ja rajoitusten hallinnoiminen olla osa kokonaisvaltaista suunnitteluprosessia. Olennaisena osana tätä prosessia ovat tietomallit ja niiden informaatiosisältö, joka tarvittavin osin on erilaisten simulointi- ja analysointiohjelmien käytössä. (5) Suunnitteluratkaisujen määrittämisen, vertailun sekä niihin liittyvän päätöksenteon tukemisen lisäksi energiasimulointia tulisi käyttää herkkyys- ja epävarmuusanalyysien tekemiseen sekä niistä saadun informaation hyödyntämiseen päätöksenteossa. Suunnitteluvaiheesta riippuen energiasimulointia voidaan myös hyödyntää sekä rakennuksen että siihen liittyvien järjestelmien optimoinnissa. Energiasimulointi ja siihen liittyvät analyysit sekä optimointimahdollisuudet tulisi ottaa osaksi eri suunnitteluosapuolten muodostaman suunnitteluryhmän työskentelyä ja suunnitteluratkaisun määrittämistä. (6) 4

12 Energialaskentamallit voidaan jakaa kahteen luokkaan: tilastollisiin energiatasemenetelmiin, kuten Suomen rakennusmääräyskokoelman osan D5 laskentamenetelmä ja Saksassa käytössä oleva EnEV, ja fysikaalisiin energiasimulointeihin, joita tehdään tarkoitukseen soveltuvilla energiasimulointiohjelmilla. Tilastolliset energiatasemenetelmät ovat yksinkertaistettuja malleja rakennuksen kokonaisenergiakulutuksen arvioimiseksi. Nämä menetelmät antavat karkeita arvioita suhteellisen pienellä määrällä parametreja, ja niitä käytetään usein rakennuksen määräystenmukaisuuden tarkasteluun. Fysikaaliset energiasimulointimenetelmät vaativat suhteellisesti enemmän parametreja lähtötiedoikseen ja käytännössä asiantuntijan suorittamaan simulointiprosessin. Toisaalta saadut tulokset ovat huomattavasti tarkempia ja yksityiskohtaisempia, ja tarkastelu on monipuolisempaa erilaisille järjestelmille, komponenteille ja materiaaleille. (5) Rakennusten arkkitehtonisen suunnittelun painopiste on siirtynyt subjektiivisesta, design- ja käytännöllisyyspainotteisesta lähestymistavasta kohti rakennuksen suorituskykyyn painottavaa suunnittelua (7). Jossain määrin rakennuksen muoto, massoittelu ja suuntaukset siis seuraavat energiankulutukselle, lämpömukavuudelle ja valaistukselle asetettuja tavoitteita. Erityisesti NZEB-rakentamisessa arkkitehtoniset asiat on otettava huomioon heti suunnittelun alkuvaiheissa, koska silloin tehdään strategia passiivisten rakennuksen suorituskykyä parantavien keinojen hyödyntämiselle. Olemassa olevista rakennuksista saatujen kokemusten perusteella voidaan sanoa, ettei erittäin suorituskykyisten rakennusten suunnittelu onnistu intuitiivisesti vaan se vaatii aina tehokasta energia- ja olosuhdesimulointia päätöksenteon tueksi. Tämä voi vaatia arkkitehdilta itsenäistä suorituskykyvertailua erilaisten alustavien ratkaisujen välillä, mutta energia- ja olosuhdesimulointiin vaadittavaa asiantuntemusta jo pelkästään lähtötietojen syöttämiseksi ei välttämättä arkkitehdilta löydy. (7) Erilaisten vertailujen sekä tulosten tehokkaan ja nopean analysoinnin tueksi tarvittavia esitystapoja ja visualisointeja on tämänhetkisissä simulointiohjelmistoissa melko heikosti. Kuva 1 - Energiasimulointiohjelmien ja -ympäristöjen jaottelu arvioiviin ja ohjaaviin ryhmiin. (7) Yksi tapa jaotella energiasimulointeihin käytettävät ohjelmistot niiden ominaisuuksien ja erityisesti toimintafilosofian perusteella on esitetty kuvassa 1. Arvioivia ohjelmistoja 5

13 käytetään erityisesti myöhemmissä suunnitteluvaiheissa kokemusperäisten päätösten perusteella tuotetun suunnitteluratkaisun määräystenmukaisuuden ja suorituskykytavoitteiden verifioimiseen. Nämä ohjelmistot vaativat yksityiskohtaista tietoa rakennuksen komponenteista ja järjestelmistä simuloinnin suorittamiseksi. Mahdollinen vaihtoehtojen tuottaminen tapahtuu yrityksen ja erehdyksen kautta; jos simuloinnista saadut lopputulokset eivät ole tyydyttäviä, palataan alkuun ja koko prosessi toistetaan. (7) Informatiiviset tai ohjaavat ohjelmistot vaativat yksinkertaistetumpia lähtötietoja ja niitä käytetään suunnitteluprosessin alkuvaiheissa suunnittelun suuntaviivojen määrittelemisen tukena. Ohjelmistot käyttävät hyväkseen parametrisoinnin ja herkkyysanalyysien tuomia etuja ja antavat palautetta muuttujien vaikutuksista ja tehdyistä päätöksistä jo suunnitteluprosessin aikana. Ohjaavat työkalut voivat keskittyä yhden ratkaisun tuottamiseen tai ne voivat olla useiden ratkaisuvaihtoehtojen tuottamiseen tarkoitettuja. Useita vaihtoehtoja tuottavia ohjaavia työkaluja voi olla kahta eri tyyppiä: optimointityökaluja, jotka minimoivat ratkaisujoukon, tai parametrisia työkaluja, jotka sallivat suuren, erilaisia toteutuksia sisältävän ratkaisujoukon. (7) On kuitenkin huomioitava, ettei arvioivien ohjelmistojen käytölle suunnitteluprosessia ohjaavana työkaluna ole mitään esteitä. Käytännössä tämäntyyppinen käyttö vaatii vain sopivan ohjelmistoympäristön luomista ja riittävää laskentatehoa. Arvioivien ohjelmistojen monipuolisemmat mahdollisuudet muun muassa muuttujien ja tilojen määrityksissä luo paremmat edellytykset suunnitteluvaiherajat ylittävään iteratiiviseen prosessiin suunnitteluratkaisun energiatehokkuuden parantamiseksi. Kuvan 1 taulukko on siinä mielessä harhaanjohtava ja kuvaa vain tietynlaisia käytäntöjä vastaavaa tilannetta Case-tarkastelut Energiasimulointien ekosysteemeihin liittyvissä case-tarkasteluissa on pyritty tuomaan esille kunkin tapauksen erityispiirteitä ja niiden välisiä eroavaisuuksia. Tapauksissa ei ole otettu kantaa niiden pohjana oleviin perusperiaatteisiin ja niiden kuvauksissa on myös pyritty tuomaan esille niissä esiintyvät näkökulmat kritisoimatta niitä vielä tässä vaiheessa. Case-tarkasteluissa käytettyjen toimintatapojen ja menetelmien kritiikkiä ja niiden perusteella määriteltyjä kehitystarpeita käsitellään luvussa 3 soveltuvin osin. Case I Kim ym. (8) esittävät energiatehokkaan suunnitteluratkaisun tuottamisen kokonaisvaltaisena prosessina, joka täytyy ottaa huomioon koko hankkeen kehitystyön ajan. Tähän kuuluu rakennuksen erilaisten komponenttien, järjestelmien ja rakenteiden keskinäiset vuorovaikutukset ja niiden vaikutukset asetettuihin tavoitteisiin ja vaatimuksiin energiatehokkuuteen liittyen. Energiasimulointiin liittyvä vaiheistus (Kuva 2) alkaa tavoitteiden määrittelyllä, jossa tulisi olla tiedossa erilaiset rajoitukset, kuten budjetti, aikataulu ja käytettävissä olevat resurssit. Lisäksi kaikkien hankkeen osapuolten rakennuttajien, 6

14 suunnittelijoiden, urakoitsijoiden jne. tulisi osallistua energiatehokkuusongelman määrittelyyn ja vaihtoehtojen tunnistamiseen jo hankkeen alkuvaiheessa. Kuva 2 - Suunnitteluratkaisujen tuottamisen ja tulosten analysoinnin prosessin kuvaus. Toisessa vaiheessa toteutetaan energiasimulointi, jossa määriteltyjen vaihtoehtojen ja rajoitusten perusteella tuotetaan suuri määrä dataa päätöksentekoa ja jatkojalostusta varten. Kolmas vaihe on tiedonrikastus, jossa suuresta määrästä simuloinnin tuloksia pyritään löytämään olennaisimmat asiat energiatehokkaan ratkaisun löytämiseksi. Tavoitteena tiedonrikastuksella ei kuitenkaan ole tehdä päätöstä lopullisesta suunnitteluratkaisusta, vaan löytää ratkaisujoukosta tavoitteisiin ja muuttujiin liittyviä vuorovaikutteisia energiatehokkuutta selittäviä tai ennustavia johdonmukaisuuksia siten, että voidaan luoda pohja hankkeen etenemiselle ja varautua suunnitteluratkaisun tuleviin muutoksiin. Toimintatapaa pilotoitiin rakennusprojektissa, jonka suunnittelu aloitettiin nelipäiväisellä työpajalla. Työpajaan osallistuivat suunnittelijat, urakoitsijat sekä muut hankkeen kanssa tekemisissä olevat ihmiset. Eri osapuolet esittivät näkemyksiään hankkeen toteutuksesta, jolloin ymmärrys eri osapuolten intresseihin ja näkemyksiin välittyi ja voitiin tuottaa erilaisia suunnitteluratkaisuvaihtoehtoja nopeasti ja tehokkaasti. Ongelmaksi muodostuivat energiatehokkuuteen liittyvien ratkaisuiden välittömän palautteen puute, eli ehdotettua ratkaisua ei voitu suoraan arvioida asetettujen tavoitteiden suhteen. Lisäksi ongelmana oli aikaa vievä energiasimulointien vaatima tietojen syöttäminen simulointiohjelmaan. Energiasimulointeja tehtiin 127 kattorakenteille, 88 seinärakenteille, 12 LVI-järjestelmälle ja rakennuksen suuntaukselle 15 :een välein. Simuloinnit tehtiin kullekin muuttujalle erikseen käyttäen pohjana samaa perusratkaisua ja yleensä koneoppimisessa käytettävää C4.5-algoritmia, jolla pyritään löytämään todennäköisimmät energiatehokkuutta parantavat vaihtoehdot. 7

15 Case II Christensen ym. (9) lähestymistapa on spesifimpi: tavoitteena on tuottaa NZEB-kriteerit täyttäviä suunnitteluratkaisuja, mutta käytettyjä toimintatapoja ja menetelmiä voidaan soveltaa myös muunlaisten suunnitteluratkaisujen tuottamiseen. Energiasimulointiin ja sen optimointiprosessiin käytetään BEOpt-ohjelmistoa, joka hyödyntää DOE2- ja TRNSYS-simulaatiomoottoreita. Tarkoituksena on pyrkiä automatisoimaan vaihtoehtojen tuottamiseen liittyvä prosessi. Simuloinnin tavoitteena on löytää lähes optimaalisia suunnitteluratkaisuvaihtoehtoja ns. NZEB-polulla (Kuva 3) siten, että tuloksena saadaan erilaisia energiankäyttötasoja vastaavia optimoituja ratkaisuja. BEOpt-ohjelmisto on kehitetty juuri tätä käyttötarkoitusta varten. BEOpt:n peräkkäishakutekniikan (sequential search technique) etuna on sen kyky löytää lähes optimaalisia ratkaisuja kaikilla energiankäyttötasoilla. Lisäksi tämän tekniikan avulla onnistuu useiden lähes optimaalisten ratkaisujen tunnistaminen näillä tasoilla ratkaisuvaihtoehtojen tuottamiseksi sekä disktreettien muuttujien käyttö kuvaamaan realistisia vaihtoehtoja rakennuksen komponenteille jatkuvien muuttujien sijaan. Menetelmä pystyy myös arvioimaan uudelleen jo hylättyjä ratkaisuvaihtoehtoja, mikäli optimointi on edennyt suuntaan, joka ei lopulta ole toteuttamiskelpoinen. Sen avulla on myös mahdollista varmistaa arvioiminen tietyille käyttäjän määrittelemille kombinaatioille, jotka voisivat mahdollisesti jäädä muuten optimoinnilta huomioimatta. BEOptin avulla on myös mahdollista vertailla erilaisia skenaarioita, joita voivat olla esimerkiksi erilaiset säämallit, taloudelliset muuttujat tai aurinkopaneelijärjestelmien ominaisuudet. Kuva 3 - Käsitteellinen kuvaus NZEB-polusta. (9) Simuloinnissa otetaan huomioon kahdeksan muuttujakategoriaa: rakennus, vaippa, ikkunat ja aurinkosuojat, laitteet ja valaistus, järjestelmät, uusiutuvat energialähteet, muuttujien kombinaatioiden sisällyttäminen ja kombinaatioiden poissulkeminen. Ohjelmassa 8

16 on kirjasto, josta voidaan hakea eri kategorioiden muuttujien vaihtoehtoja, jotka sisältävät teknisten tietojen lisäksi hintatietoja. Kombinaatioiden sisällyttäminen ja poissulkeminen ovat mukana, koska BEOptin käyttämä hakutekniikka edellyttää vaihtoehdon olevan erikseen tarkasteltuna kustannustehokas jotta se olisi mukana tarkasteluissa. Tekniikka ei siten ota huomioon vaihtoehtoja, jotka tuottavat kustannustehokkaita ratkaisuja vain yhdistelminä. Puutteina kyseisessä simulointiympäristössä ovat heikot visualisointimahdollisuudet, jolloin vaihtoehtojen vertailu ja päätöksenteko hankaloituvat. Simuloinnissa voidaan ottaa huomioon esimerkiksi viereiset rakennukset ja niiden varjostukset, mutta kovin tarkkoihin tuloksiin ei päästä, koska koko rakennusta käsitellään yhtenä kokonaisuutena, eikä tila- tai vyöhykekohtaisia tuloksia ole käytettävissä. Case III Schlueter ym. (5) ovat lähestyneet energiasimulointia myös suunnittelun alkuvaiheen ongelmana, mutta ovat ottaneet arkkitehdin näkökulman ja arvioineet kehitysperusteita rakennuksen pohjaratkaisun ja massoittelun energiatehokkaassa määrittämisessä. Energialaskentaan on käytetty suhteellisen yksinkertaista ja karkeita tuloksia antavaa Saksan EnEV-mallia, koska on oletettu, ettei arkkitehdillä ole asiantuntemusta käyttää kehittyneitä simulointiohjelmia. Laskennassa on kuitenkin tästä huolimatta otettu huomioon rakennuksen exergia-analyysi. Kaikki geometriatiedot on otettu suoraan rakennuksen tietomallista ja käyttäjä voi vaikuttaa ainoastaan materiaaleihin ja niiden ominaisuuksiin sekä taloteknisten järjestelmien valintaan ja joihinkin niihin liittyviin arvoihin. Minkäänlainen optimointi tai edes automaattisten vaihtoehtojen tuottaminen ei ole mahdollista, vaan tulokset muuttuvat dynaamisesti sitä mukaan kuin käyttäjä tekee muutoksia käytössä oleviin muuttujiin tai tietomallin geometriatietoihin. Tulosten visualisointi perustuu siten yksittäisten ratkaisujen erillisiin tarkasteluihin ja niiden muutoksiin. Case IV Pollock ym. (10) ovat käyttäneet oman yrityksensä IES VE -ohjelmistoa demonstroimaan olemassa olevan pääkonttorinsa suorituskykyyn vaikuttavia muuttujia ja ohjelmiston tuomia hyötyjä. Simuloinnin tavoitteina on ollut energiatehokkuus, ympäristöystävällisyys ja hyvä sisäilmasto käyttäen muuttujina rakennuksen suuntausta, massoittelua, varjostusta, päivänvalo-ohjausta, lämmitysjärjestelmää ja painovoimaisen ilmanvaihdon hyödyntämistä yhdessä ikkunatyyppien ja -kokojen kanssa. Päivänvalo- ja varjostussimulointeihin käytettiin erillisiä ohjelmistomoduuleja. Simuloinnin lähtötietoina käytettiin siis sekä olemassa olevan tarkasteltavan rakennuksen geometriatietoja, säädataa, käyttöprofiileja ja lämpökuormia että ympäröivien ra- 9

17 kennusten vaikutuksia varjostusten osalta. Laskennan ja vertailujen pohjaksi määriteltiin ensin perusratkaisu ja tarkastelujen kohteiksi asetettiin päivänvalo, energiankulutus ja tilojen ylikuumeneminen. Suunnitteluprosessi eteni iteratiivisesti ja askeleittain päivänvalon, energiankulutuksen ja ylikuumenemisen analyysien perusteella ongelmien tunnistamisesta ratkaisuehdotusten tekemiseen, muutoksiin simuloinnin lähtötiedoissa ja uudelleensimulointiin (kuva 4). Kuva 4 - Suunnitteluprosessin periaatekaavio. (10) Prosessi ei ollut analysointeja lukuun ottamatta millään tavalla automatisoitu, vaan ongelmien tunnistaminen ja ratkaisuvaihtoehtojen tuottaminen oli käyttäjän vastuulla. Käyttäjällä oli aina käytössään vain yhden ratkaisuvaihtoehdon tulokset, joiden perusteella oli tehtävä päätökset seuraavista toimenpiteistä. Prosessilla tuotettiin 16 ratkaisuvaihtoehtoja, joista koostettujen numeeristen taulukoiden ja yksinkertaisien pylväsdiagrammien perusteella tehtiin päätös valittavasta ratkaisusta. Case V Attia ym. (7) ovat myös lähestyneet simulointiprosessin kehittämistä NZEB-kriteerit täyttävien suunnitteluratkaisuiden tuottamisen kannalta. Motiivina on ollut nimenomaan NZEB-ratkaisuiden energiasimulointeihin ja päätöksentekoon soveltuvien ohjelmistojen puuttuminen. Tarkastelemalla aiemmin kehitettyjä ohjelmistoja ja niiden ominaisuuksia on voitu asettaa tavoitteet kehitettävälle ZEBO-ohjelmistolle ja siihen liittyville prosesseille. Näitä tavoitteita ovat: 10

18 Parannettu palautteen antaminen ja päätöksenteon ohjaus. Epävarmuuksien arviointi ja herkkyysanalyysi. Rakennuksen suorituskyvyn tavoitetasojen muokkaaminen. Alueellisuuden huomioiminen määräysten kannalta. Integrointimahdollisuus pätevien ja vakiintuneiden ohjelmistojen kanssa. Toistuvien, eri suunnitteluvaiheissa tehtyjen iteraatioiden mahdollistaminen. Prosessi aloitetaan määrittelemällä paikallinen säädata ja perustapauksia erilaisten rakennusten suorituskyvylle. Perustapauksille on kuvattu energiankulutuksen käyttöprofiilit ilmastoinnille, valaistukselle, lämpimälle käyttövedelle, ja sähkölaitteille rakennuksen pohjaratkaisun ja rakenteiden suhteen. Perustapausten suorituskykyjen todentamiseen käytettiin 1500 asuinrakennuksen laskutus- ja kyselytietoja. Prosessin käytössä on kirjastot alueellisista määräyksistä ja yleisimmin käytetyistä materiaaleista ja rakenteista, joita voidaan käyttää oletusarvoina simuloinnin muuttujille. Lämpömukavuuden simuloimiseen on käytetty viihtyvyysmallia, jossa on ilman liikkeen perusteella mukautuvat rajat viihtyvyyskriteereille. Tämä mahdollistaa kattotuulettimien ja ikkunoiden avaamisen huomioimisen viihtyvyysanalyyseissä. Tämä mielenkiintoinen ratkaisu sallittaneen egyptiläisiin käyttötarpeisiin kehitetylle ratkaisulle. Uusiutuvien energialähteiden osalta prosessissa on huomioitu aktiivisten järjestelmien asettamat vaatimukset niiden integroimiseksi rakennuksen rakenteisiin esimerkiksi arvioimalla rakennuksen energiankulutuksen perusteella vaadittavien pinta-alojen määrät aurinkopaneeleille ja -keräimille. Käyttäjä pääsee myös vaikuttamaan aurinkopaneeleiden ja -keräimien tyyppeihin, hyötysuhteisiin ja muihin ominaisuuksiin. Varsinaisena laskentamoottorina on ollut ilmainen, avoimen lähdekoodin EnergyPlus, joka sallii ulkopuolisten graafisten käyttöliittymien integroinnin. Valintaperusteena oli mahdollisuus käytetyn syklisen prosessin vaatimaan jatkuvuuden varmistamiseen suunnitteluprosessin eri vaiheissa. Tiedonsiirrossa on käytetty IDF-tiedostoformaattia, koska se on yhteensopiva useiden suunnittelu- ja simulointiohjelmistojen kanssa. Koko prosessin kuvaus on esitetty kuvassa 5. 11

19 Kuva 5 - ZEBO-ohjelmiston prosessin kuvaus. (7) Case VI Shi ym. (11) lähestyivät suunnitteluprosessin kehittämistä arkkitehtien ongelmasta yhdistää suorituskykysimuloinnit osaksi omaa suunnitteluprosessiaan. Uusien suunnitteluratkaisujen tuottamiseen suorituskykysimulointien avulla sekä niiden analysointiin automaattisesti ja systemaattisesti kehitettiin prosessi, joka käyttää mode-frontier optimointityökalua yhdessä EnergyPlus-energiasimulointiohjelman kanssa asetettujen tavoitteiden saavuttamiseen. mode-frontier pystyy oletuksena kommunikoimaan joidenkin CAD- ja simulointiohjelmien kanssa. Optimointityökalu hyödyntää rakennusten energiaoptimoinneissa usein käytettyä geneettistä MOGA-algoritmia (Multi-Objective Genetic Algorithm). Valintaperusteina algoritmille on ollut optimointiongelman monitavoitteellisuus, muuttujien diskreetti luonne ja mahdollisuus määrittää tuotettujen vaihtoehtojen kokonais- ja loppumäärä. Optimointityökalulla haetaan CAD-ohjelmasta muuttujat ja määritellään niiden rajaukset sekä asetetaan tavoitteet optimoinnille. Sen pääasiallinen tehtävä on automatisoida suunnitteluvaihtoehtojen ja ratkaisujoukon tuottaminen. Tuotetun ratkaisujoukon analysoimiseen mode-frontier tarjoaa useita monitavoiteoptimoinnin päätöksentekoon tarkoitettuja algoritmeja, jotka keinotekoisista hyötyfunktioista poiketen ottavat huomioon päätöksentekijän preferenssit. mode-frontier ia on demonstroitu optimoimalla rakennuksen seinien eristepaksuuksia eri ilmansuunnissa ja päätöksentekoon on käytetty yksinkertaista painotusmenetelmää. Tehtyyn tutkimukseen perustuen on määritetty perusperiaatteet rakennuksen monitavoiteoptimointiprosessille: 12

20 Lähtötietojen määrittäminen Optimoinnin tavoitteiden ja muuttujien määrittäminen Rajoitusten, arvoalueiden ja arvoaskelten määrittäminen Suorituskykysimulointi- ja optimointiympäristön valinta Prosessin määrittäminen Optimointialgoritmin valinta Optimoinnin suorittaminen, tulosten analysointi ja päätöksenteko Case VII Toth ym. (12) lähtökohtana tutkimukselle on ajatus päätöksentekoa tukevan simulointiympäristön välttämättömyydestä rakennusten suunnitteluratkaisujen tuottamisessa erityisesti alkuvaiheen suunnittelussa, koska silloin tehdyt päätökset määrittävät heidän mukaansa noin 80 % rakennuksen elinkaarikustannuksista ja ympäristövaikutuksista. Kehitetty DEEPA-simulointiympäristö kytkee rakennuksen geometrian energiasimuloinnin syötteeksi hyödyntämällä parametrisoitua mallintamista interaktiivisen ja iteratiivisen simulointiprosessin mahdollistamiseksi. Tämä on pyritty saavuttamaan tarjoamalla suorituskyvyn muutoksiin reagoiva palautteenanto käyttäjälle päätöksenteon tueksi ja suorituskykyisempien ratkaisuvaihtoehtojen tuottamiseksi. Lisäksi rakennuksen suorituskyvyn rajoitukset on pyritty sulauttamaan osaksi arkkitehtien suunnitteluprosessia tavalla, joka palvelee tieteenalojen välistä tiedonsiirtoa. Kuva 6 - DEEPA-simulointiympäristön periaatekaavio. (12) Simulointiympäristö on vapaasti muokattavissa ja se mahdollistaa dynaamisen ja yhteistyöhön perustuvan suunnitteluprosessin integroidun pilviperusteisen ohjelmistoalustan 13

21 avulla. Kaikki simulointiprosessin tarvitsemat lähtötiedot ja siitä saatavat tulokset, data, semantiikka ja mallit on toteutettu pilvipalveluna. Simulointiympäristö koostuu neljästä osasta: suorituskyvyn määrittelytietokannasta, liitännäisestä parametriseen suunnitteluohjelmaan, pilviperusteisesta energiasimuloinnista ja web-pohjaisesta visualisointisovelluksesta (kuva 6). Määrittelytietokannan toteuttaminen pilvipalveluna mahdollistaa yhtäaikaisen tiedon lukemisen ja syöttämisen useamman käyttäjän toimesta. Käyttäjä täydentää graafisen käyttöliittymän avulla tietokannan attribuutit säälle, aikatauluille, materiaaleille, rakenteille, ikkunoille ja lasituksille, aktiviteeteille sekä taloteknisille järjestelmille. DEEPA-simulointiympäristöön integroituun parametriseen suunnitteluohjelmisto GC:hen (GenerativeComponents) on sisällytetty toimintoja, joilla varmistetaan simuloinnin suorittaminen määritellyllä geometriamallilla. Rakennus mallinnetaan pintoina ja tiloina, joille annetaan yksinkertaisia attribuutteja. Näitä attribuutteja käytetään varsinaisten ominaisuuksien noutamiseen määrittelytietokannasta kun simulointiprosessi käynnistetään. Suunnitteluohjelmistolla on mahdollista simuloida melko monimutkaisiakin rakennuksen muotoja (kuva 7). Kuva 7 - Parametrisella suunnitteluohjelmalla (GenerativeComponents) tehty malli, joka on jaettu pintaelementteihin. (12) Energiasimulointimoottori EnergyPlus ottaa lähtötietonsa suoraan suunnitteluohjemistosta IDF-tiedostona, joka luodaan automaattisesti simuloinnin käynnistyessä, sekä määrittelytietokannan tiedoista, joihin suunnitteluohjelmiston pinnat ja tilat on linkitetty edellä mainittujen attribuuttien avulla. Simuloinnin tulokset yhdessä parametrisen geometriamallin ja käyttäjätietojen kanssa tallennetaan tietokantaan jokaisen simuloinnin jälkeen, mikä mahdollistaa eräänlaisen tilannekuvan tallentamisen jokaisesta suunnitteluratkaisusta yhdessä sen määrittelyyn osallistuneiden käyttäjien ja suunnitteluratkaisun suorituskyvyn kanssa. 14

22 Web-pohjainen visualisointisovellus pystyy muodostamaan tietokantaan tallennettujen geometriamallin parametrien avulla visualisoinnin rakennuksesta ja sitä voidaan tarkastella yhdessä suorituskykytietojen ja määrittelytietokannan muuttujien kanssa. Kehitystarpeena on jo nähty ohjelman julkaiseminen avoimena lähdekoodina sekä suorituskykytietojen siirtämisen mahdollistaminen suunnitteluohjelmaan, jotta rakennuksen suunnittelijalla on suora pääsy niihin suunnittelutyön yhteydessä. Case VIII Petersen ym. (13) mukaan nykyiset olemassa olevat sekä kehitettävät rakennusten suunnitteluratkaisujen tuottamiseen käytetyt työkalut painottuvat pelkästään ratkaisuvaihtoehtojen arvioimiseen, eivätkä anna tarvittavaa palautetta ja ohjausta suunnitteluratkaisun parantamiseksi. Tavoitteena on ollut kehittää aktiivisesti päätöksentekoon osallistuva menetelmä rakennuksen suunnittelun alkuvaiheen suuntaviivojen löytämiseksi. Menetelmässä käytetään herkkyysanalyysiä kuvaamaan muuttujien vaikutusta suorituskykytavoitteisiin ennen varsinaista päätöksentekoa. Kuva 8 - Päätöksentekoon osallistuvan simulointiympäristön periaatekaavio. Menetelmän toimintamalli (kuva 8) eroaa tavanomaisesta yrityksen ja erehdyksen - toimintamallista siten, että siinä päätöksentekijä saa päätöksentekoa ohjaavaa herkkyysanalyysin tuloksista. Tämän palautteen perusteella voidaan simulointiin palauttaa perustellusti paranneltu suunnitteluratkaisu sen sijaan, että palattaisiin suunnitteluratkaisun hylkäämisen jälkeen suoraan alkuperäisen suunnitteluratkaisun pariin ilman minkäänlaista palautetta ja päätöksentekoa tukevaa tietoa. Muuttujien variointi tehdään muuttamalla yhtä muuttujaa kerrallaan tai yhtenä muuttujana käsiteltävää useamman muuttujan kombinaatiota muiden muuttujien pysyessä vakioina. Menetelmä vähentää yrityksen ja erehdyksen kautta tehtyjen ratkaisujen ja siten myös tarvittavien simulointien määrää. Toimintamallin suorittamista ei voida kokonaan automatisoida, koska sen vaatimaan päätöksentekoon tarvitaan aina asiantuntijaa. Tämän takia toimintamallin operoimiseksi on kehitetty ohjelmistoympäristö idbuild, jonka tarkoituksena on palautteen ja ohjeiden antaminen asetettujen suorituskykytavoitteiden saavuttamiseksi. Tavoitteena on ollut 15

23 kehittää suunnitteluprosessin luovaa prosessia tukeva ja sitä hidastamaton työkalu, jonka hallinnoimisesta vastaa suunnitteluryhmän energia-asiantuntija. idbuild n simuloinnista vastaa BuildingCalc n ja LightCalc n yhdistelmä BC/LC, jonka avulla simuloidaan rakennuksen suorituskykyä energiankulutuksessa, sisäilmasto-olosuhteissa ja päivänvalon hyödyntämisessä. Case IX jeplus (14) on EnergyPlus-laskentamoottorille kehitetty parametristen simulointien hallinnoimiseen tarkoitettu työkalu. Sen käyttöä on demonstroitu yhdessä EnergyPlus lle kehitetyn esiprosessointityökalu EP-Macron kanssa. jeplus n graafisen käyttöliittymän avulla voidaan määritellä tarkastelavaksi halutut muuttujat ja niille diskreetit arvot. Tämän jälkeen työkalu suorittaa tarvittavat simuloinnit ja koostaa saadut tulokset erilliseen tiedostoon. jeplus muodostaa määritellyistä muuttujista puurakenteen (kuva 9) ja tarjoaa joustavat mahdollisuudet parametrien arvojen muotosäännöille. Muuttujan arvo voi olla diskreetti numeerinen, diskreetti tyyppiluokiteltu tai yksinkertainen kyllä tai ei -määrittely. Ilman lisäsovelluksia työkalu käy läpi puurakenteen kaikki vaihtoehdot. Laskentaa voidaan kuitenkin keventää liittämällä ohjelmaan optimointialgoritmi, jolla suoritettujen simulointien määrä voi tippua miljoonasta simuloinnista satojen simulointien suuruusluokkaan (15). Työkalu sisältää rinnakkaisen prosessoinnin mahdollistavan ohjaimen, joka pystyy hallitsemaan sekä yksittäisen tietokoneen ytimiä että pilvipalveluna toteutetun energiasimuloinnin. jeplus ei sisällä ominaisuuksia tulosten käsittelyyn niiden keräämistä lukuun ottamatta. Kuva 9 - jeplus'n muuttujista muodostama puurakenne ja niiden arvojen erilaisia muotoja. (15) 16

24 Case X Hygh ym. (16) käyttävät regressioanalyysia redusoidun energiamallin tuottamiseen tarkasteltavalle rakennukselle. Malli tuotetaan EnergyPlus-ohjelmalla tehtyjen simulointien perusteella alkuvaiheen suunnitteluratkaisujen päätöksenteon tueksi. Tuotettu regressiomalli on itsenäisesti toimiva mutta silti kykenevä ottamaan huomioon tehtyjen simulointien perusteella monimutkaiset termiset vuorovaikutukset ympäristön kanssa ja rakennuksen sisällä. Nykyisellään pystytään tuottamaan vain regressiomalleja, jotka pystyvät huomioimaan ainoastaan yhdenlaisen ilmaston ja hyvin yksinkertaisen geometrian, mutta molemmat asiat on nähty tulevaisuuden kehitystarpeina. Toimintamalli (kuva 10) lähtee liikkeelle siitä, että vain alkuvaiheen suunnittelun kannalta tärkeille muuttujille, kuten rakennuksen muodolle, materiaaleille, suuntaukselle ja aukotuksille, annetaan perusteltu arvoalue, ja yksityiskohtaisemmille energiasimuloinnin muuttujille annetaan kiinteät perustapausta kuvaavat oletusarvot. Näiden muuttujien määrittämältä suunnitteluratkaisuiden arvoalueelta haetaan Monte Carlo - otantamenetelmällä sitä hyvin kuvaava arvojoukko, jota käytetään regressiomallin tuottamiseen ja sen validoimiseen sekä muuttujien herkkyysanalyysiin. Kuva 10 - Regressiomallin muodostamisen periaatekaavio. (16) Monte Carlo -simulointi on kehittynyt numeerisen mallintamisen menetelmä, jossa tehdään sarja satunnaisia arvauksia kuvaamaan mahdollisten ratkaisuiden joukkoa. Monte Carlo -simulointiin on valittu 27 muuttujaa, jotka vaikuttavat rakennuksen energiatehokkuuteen ja ovat arkkitehtonisesti merkityksellisiä alkuvaiheen suunnittelussa. Jokaiselle muuttujalle on määritelty maksimi- ja minimiarvo rajaamaan muuttujien sekä jat- 17

25 kuvia että diskreettejä arvojoukkoja. Kaikki muuttujien arvojoukkojen arvot on oletettu yhtä todennäköisiksi suunnitteluratkaisuja määritettäessä. Monte Carlo -simulointiin käytettiin 88-ytimistä Linux-klusteria. Jokaiselle Monte Carlo -simuloinnin tuottamalle suunnitteluratkaisulle satunnaisesti valituista muuttujien arvoista ja niistä seuranneista tuloksista muodostettiin arvojoukko, jonka perusteella suoritettu monimuuttujaregressio tuottaa approksimatiivisen valittuihin muuttujiin perustuvan energiankulutusta kuvaavan yhtälön. Näin tuotettua regressiomallia voidaan käyttää suunnitteluratkaisuiden energiankulutuksen arviointiin käyttämättä suoraa simulointia. Tällä menetelmällä ei kuitenkaan ole tarkoituksena korvata myöhempien suunnitteluvaiheiden määritelmällisesti tarkkoja energiasimulointeja, vaan tukea suunnittelun alkuvaiheiden päätöksentekoa. Käytetty regressiomenetelmä tuottaa regressiokertoimia, jotka ovat verrannollisia kunkin muuttujan herkkyydelle energiankulutukseen. Alkuperäisistä muuttujista tuotettiin 68 lisäparametria askelettaisen regression avulla vähentämään regression tuottamaa virhettä. Tällä tavalla voidaan ottaa huomioon muuttujien yhteisvaikutuksia energiankulutukseen ja siten parantaa regressiomallin laatua ja sen tuottamia tuloksia. Tämän lisäksi käytettiin standardoituja regressiokertoimia muuttujien herkkyyden arvioimiseksi ja siten suurimman vaihtelun selittämiseksi regressiomallissa. R 2 -arvoa käytetään kuvaamaan tuotetun regression kykyä approksimoida alkuperäistä arvojoukkoa asteikolla 0-1 siten, että 1 on paras mahdollinen eli käytännössä täysin yhtenevä. 27 alkuperäisestä parametrista tuotettu regressiomalli antoi R 2 -arvoja koko energiankulutukselle välillä 0,859-0,977. Lisäparametrien avulla R 2 -arvot olivat aina suurempia kuin 0,96. EnergyPlus-laskentamoottorilla Monte Carlo simuloitujen ratkaisuiden energiankulutusten arvojen ja regressioanalyysin avulla tuotettujen energiankulutuksen arvioiden yhtenevyyttä on vertailtu kuvassa 11. Kuva 11 - Regressiomallin ja energiasimuloinnin tuottamien energiankulutusten vertailuja. (16) 18

26 Standardoitujen regressiokertoimien perusteella mitattujen herkkyyksien avulla muuttujat voidaan luokitella tai arvottaa vaikutuksiensa perusteella. 15 merkittävimmästä muuttujasta 12 muuttujaa kuvasivat rakennuksen geometriaa, suuntausta ja ikkunoita. Kuvasta 12 voidaan päätellä, että ilmastolla on suuri vaikutus muuttujien merkittävyyteen. Kuva 12 - Standardoidut regressiokertoimet ja niillä esitetyt eri muuttujien vaikutukset energiankulutukseen erilaisissa ilmastoissa. (16) Lopuksi tutkittiin simulointien määrän vaikutusta saavutettuun regressiomallin laatuun. Alkuperäinen tarkastelu tehtiin simuloinnilla, joista käytettiin regressiomallin tuottamiseen Monte Carlo -simuloinnilla ja 4000 käytettiin tuotetun regressiomallin validoimiseen. Kuvasta 13 nähdään, ettei simuloinnin jälkeen saavuteta merkittävää tarkkuuden parantumista regressiomallissa. On kuitenkin otettava huomioon, että kyseinen tarkastelu on tehty hyvin yksinkertaiselle rakennuksen geometrialle. Selkeästi monimutkaisempi geometria voi hyvinkin vaikuttaa tarvittavien simulointien määrään merkittävästi. Myös Lam ym. (17) ovat käyttäneet regressiota rakennuksen energiankulutuksen arvioimisessa. Heillä oli tarkastelussa 12 muuttujaa, joista puolet liittyi rakenteisiin ja lämpökuormiin sekä puolet taloteknisiin järjestelmiin ja tuotantolaitoksiin. Simuloiteja tehtiin 1001 ilman lisäparametreja, jotka tarkensivat regressiomallin tarkkuutta olennaisesti Hygh n tutkimuksessa. Lisäksi validointiin käytettiin vain 20 simuloinnin tuloksia. Tästä huolimatta regressiomallin tarkkuus oli tämänkin tutkimuksen mukaan R 2 -arvoltaan luokkaa. 19

27 Kuva 13 - Tehtyjen simulointien määrän vaikutus regressiomallin tarkkuuteen. (16) Case XI Wetter (18) esittelee rakennusten suorituskyvyn optimointiin käytettävän GenOptsovelluksen. Sovellus ei sisällä itsessään energiasimulointiin liittyviä toiminnallisuuksia, mutta se pystyy toimimaan yhdessä minkä tahansa tekstipohjaisia syöte- ja tulostustiedostoja käyttävän energiasimulointiohjelman kanssa. Simuloinnissa käytettävän input-tiedoston määrittäminen on simulointiprosessin aikaavievin osuus. Koska GenOptsovellus käyttää tätä samaa input-tiedostoa, on sen käyttämisen aiheuttama ajankäytön lisäys hyvin pieni verrattuna normaaliin energiasimulointiin. Käyttäjän tarvitsee vain määritellä input-tiedostossa varioitavat päätösmuuttujat, output-tiedostosta minimoitavan kohdefunktion ja käytettävän optimointialgoritmin. Valituille päätösmuuttujille määritetään mahdolliset minimi- ja maksimiarvot, ensimmäisenä käytettävä arvo sekä varioinnissa käytettävä arvoväli. Ohjelmassa on valmis kirjasto erilaisia optimointialgoritmeja, joille on tarvittaessa määritettävä algoritmin toimintaan vaikuttavia parametreja. Ohjelmassa on myös valmiita simulointiasetuksia erilaisille energiasimulointiohjelmille (mm. DOE-2, EnergyPlus, TRNSYS jne.) ja niiden ajamiselle. Oletuksena ohjelma soveltuu ainoastaan yhden kohdefunktion optimointiin, mutta sitä on myös käytetty monitavoiteoptimointiin lisäämällä tarkoitukseen sopiva optimointialgoritmi ja muokkaamalla ohjelman lähdekoodia (19). Käytännössä GenOpt mahdollistaa optimointiprosessin hyödyntämisen käytössä olevalla energiasimulointiohjelmalla. Tulosten käsittelyyn ja siihen liittyvään päätöksentekoon ei tarjota työkaluja. Tämä on sinänsä luonnollista, koska ohjelma tukee oletuksena ainoastaan yhden kohdefunktion optimointia. Mikäli ohjelmaa sovelletaan monitavoiteoptimointiin, on erillinen tulosten analysointi ehdottomasti tarpeen ja lisäohjelmien käyttö välttämätöntä. 20

28 Wetter on soveltanut GenOpt:ia tyypillisen toimistorakennuksen energiankulutuksen optimoinnissa huomioimalla lämmityksen, jäähdytyksen ja valaistuksen energiankulutukset. Esimerkkitapauksessa saavutettiin 14 % energiansäästö perustapaukseen nähden ja optimoinnin vaatimiin lisäjärjestelyihin kulunut aika oli vain noin tunti. Muuttujina käytettiin ainoastaan rakennuksen suuntausta, ikkunoiden leveyttä sekä aurinkosuojauksen läpäisevyyttä. Optimoidussa ratkaisussa jäähdytyksen energiankulutus oli suurempaa kuin perustapauksessa, mutta muiden järjestelmien energiankulutus oli pienentynyt huomattavasti Case XII Autodesk on kehittämässä Vasari-suunnitteluympäristöä rakennusten konseptivaiheen suunnitteluun ja analysointiin. Ohjelmistokehitys on beta2-vaiheessa. Vasari sisältää oletuksena työkalut energia-analyysiin ja auringon säteilyn tarkasteluihin. Vasarilla konseptisuunnitelmat voidaan viedä suoraan Autodesk Revit-ohjelmaan yksityiskohtaisempaa suunnittelua varten. Vasarissa rakennus mallinnetaan massaelementteinä ja se tukee parametrisoitua mallintamista, jossa ohjelma taltioi mallissa olevat kytkökset määrittelytietokantaan ja kykenee näin heijastamaan muutoksen vaikutukset kaikkiin kytköksen osapuoliin. Kaikki mallin tieto geometrioista materiaalitietoihin tallennetaan ainoastaan tähän yhteen tietokantaan, josta rakennuksen 3D-malli, leikkaukset, luettelot yms. hakevat tietonsa, jolloin tieto päivittyy kaikkiin samanaikaisesti. Massaelementeistä muodostettua kokonaisuutta voidaan analysoida valitsemalla paikalliset säätiedot sekä maantieteellinen sijainti, jonka avulla määritetään auringon säteilyn vaikutukset rakennukseen. Määrittelemällä massaelementeille lasituksia, vyöhykejakoa ja rakennustyyppiä koskevia yksinkertaisia tietoja, konsepti voidaan lähettää Autodeskin Green Building Studio webpalveluun, joka suorittaa sille energiasimuloinnin. Webpalvelun vielä analysoidessa ensimmäistä määriteltyä konseptia, voidaan rakennuksen muotoa ja muita määrityksiä muuttaa ja lähettää uusia konsepteja webpalveluun analysoitavaksi. Ohjelma toimii myös analysoitujen konseptien vertailun alustana Energiasimuloinnin parametrisointi Olennaisena osana energiasimulointia hyödyntävää suunnitteluprosessia ovat rakennuksen suorituskykyyn liittyvät muuttujat ja niiden perusteella suoritettava suunnitteluratkaisujen tuottaminen. Muuttujien valintaan vaikuttavat rakennuksen tyyppi ja järjestelmät, tavoiteltu suorituskykytaso sekä suunnitteluvaihe, jossa suunnitteluratkaisuiden arviointia halutaan tehdä. Suunnitteluratkaisuvaihtoehtoja tuottavassa simulointiprosessissa tarkasteltaviksi muuttujiksi valikoituu yleensä suunnittelijaa eniten kiinnostavat sekä tärkeimmät tunnetut rakennuksen suorituskykyyn vaikuttavat muuttujat. (20) Suunnitteluvaiheet vaikuttavat muuttujien valintaan ja niiden raja-arvoihin merkittävästi. Alkuvaiheen suunnittelussa otetaan huomioon rakennuksen geometriaan ja rakentei- 21

29 siin liittyviä muuttujia ja käytetään yksityiskohtaisemmille simuloinnin vaatimille muuttujille oletusarvoja, jotka kuvaavat jonkinlaista perustapausta tai kuviteltua rakennustyyppikohtaista tapausta. Alkuvaiheen suunnittelun parametrit toimivat luonnossuunnitteluvaiheen lähtötietoina, ja ne voivat olla joko kokonaan lukittuja ja niiden arvojoukkoa voidaan rajoittaa siten, että alkuvaiheen suunnittelussa määritellyissä tarpeissa ja tavoitteissa pysytään. (20) Luonnossuunnitteluvaiheessa tarkkuustason kasvaessa valittavat muuttujat liittyvät aiemmin tarkasteltujen muuttujien syvällisempään tarkasteluun ja erilaisten järjestelmätason suureiden kuvaamiseen. Lopulta toteutussuunnitteluvaiheessa voidaan tehdä edelleen tarkempia tarkasteluja ja validoida jo tehtyjä päätöksiä ja tehdä niihin rajattuja muutoksia. (20) Tässä työssä keskitytään kuitenkin alkuvaiheen suunnitteluratkaisuiden tuottamiseen. Muuttujien määrittämisessä voidaan tunnistaa yhdeksän tekijää, jotka vaikuttavat olennaisesti rakennuksen suorituskykyyn alkuvaiheen suunnittelussa (taulukko 1). Näitä muuttujia täytyy arvioida yhdessä erilaisten syy-seuraus -suhteiden määrittämiseksi ja suorituskykyyn liittyvien vaikutusten ymmärtämiseksi. Näitä tekijöitä tarkasteltaessa on huomioitava, että ne sisältävät useita muuttujia, jotka voivat olla määritelty yleisellä tasolla tai hyvinkin yksityiskohtaisesti. Useissa tutkimuksissa on päädytty pienin eroavaisuuksin lähes samoihin tekijöihin (17,21). Taulukko 1 - Case-tarkasteluissa suunnitteluratkaisuvaihtoehtojen tuottamisessa käytetyt muuttujat esitettynä pääryhmiin jaoteltuina. Muuttujien ryhmittely Case (lähde) (5) (7) (8) (9) (10) (11) (12) (13) (14) (16) Termiset alueet x x x x x Lasitukset ja niiden ominaisuudet x x x x x x x x x x Auringonsuojaus x x x x x x Rakennetyypit ja -materiaalit sekä niiden ominaisuudet x x x x x x x x x x Sisäiset kuormat ihmisille, laitteille ja valaistukselle x x x x x x Talotekniset järjestelmät ja niiden ohjaus x x x x x x x Sää ja ympäristö x x x x x x x x x x Rakennuksen suuntaus x x x x x x Rakennuksen layout-vaihtoehdot x x x x Tarkasteltavat muuttujat vaikuttavat rakennuksen suorituskykyyn ja muihin tavoitteisiin eri tavoin: Rakennuksen suuntaus vaikuttaa rakennusten suorituskykyyn lämpökuormien ja päivänvalon hyödyntämisen kautta. 22

30 Rakennuksen vaipan määrittäminen vaikuttaa erittäin oleellisesti investointi- ja elinkaarikustannuksiin, rakennusaikaan sekä ulkonäköön. Massoittelu vaikuttaa osaltaan lämpökuormiin, muuntojoustavuuteen ja kustannuksiin. Tilat, niiden käyttö ja sijoittelu vaikuttavat rakennuksen energiatehokkuuteen ja viihtyvyyteen. Lasitukset vaikuttavat olennaisesti rakennuksen ulkonäköön sekä lämpökuormiin ja päivänvalon hyödyntämiseen. Aurinkosuojaus tulisi ottaa huomioon periaatteisella tasolla, jotta nähdään sen vaikutukset energiatehokkuuteen ja viihtyvyyteen. Käytetyt tekniset järjestelmät vaikuttavat oleellisesti energiakustannuksiin ja rakennuksen aiheuttamiin ympäristövaikutuksiin sekä viihtyvyyteen. Tämän työn tekemisen yhteydessä tutustumiini tutkimuksiin nojaten voin todeta, että suunnitteluratkaisujen tuottamisessa käytettyjen muuttujien vaikutus rakennuksen suorituskykyyn sekä niiden arvoalueisiin riippuu olennaisesti suunniteltavan tai tarkasteltavan rakennuksen tyypistä, maantieteellisestä sijainnista ja vallitsevista ilmastoolosuhteista, rakennuksen suorituskyvylle asetetuista tavoitteista ja rajoituksista sekä paikallisesta infrastruktuurista ja määräyksistä. Mikäli halutaan tuottaa aidosti universaali prosessi ja työkalut lähes optimaalisen suunnitteluratkaisun löytämiseksi, on muuttujien vaikutusta tutkittava tapauskohtaisesti. Tämä onnistuu herkkyys- ja epävarmuusanalyysien avulla. Tarkasteltavat muuttujat on tässä työssä jaettu suunnittelumuuttujiin ja skenaariomuuttujin. Tämä ei kuitenkaan ole mikään yleinen jaottelutapa, vaan muuttujia on käsitelty myös yhtenäisenä joukkona. Samaa jaotteluperustetta pyritään kuvaamaan myös jakamalla muuttujat deterministisiin ja stokastisiin muuttujiin. Suunnittelumuuttujat ovat suunnittelijan määritettävissä olevia muuttujia, joiden arvojen voidaan ajatella olevan yhtä todennäköisiä. Skenaariomuuttujat eivät ole suunnittelijan määritettävissä, vaan niillä pyritään kuvaamaan muuttujia, jotka ovat luonteeltaan epävarmoja. Skenaariomuuttujien avulla voidaan tutkia rakennuksen suorituskykyä muuttuvassa toimintaympäristössä Suunnittelumuuttujat Taulukossa 1 oli esitetty aiemmissa case-tarkasteluissa suunnitteluratkaisujen tuottamisessa käytettyjä muuttujia jaoteltuina pääryhmiin. Pääryhmät ovat muodostettu casetarkasteluihin perustuvien ryhmittelyjen pohjalta. Suunnitteluratkaisujen tuottamisessa 23

31 tarkasteltavat muuttujat valikoituivat rakennukselle asetettujen tavoitteiden ja vaatimusten, rakennustyypin, maantieteellisen sijainnin ja ilmaston sekä päätöksentekijän preferenssien perusteella. Myös muuttujien arvoalueiden määrittelytavat erosivat tarkastelluissa tapauksissa toisistaan. Muuttujien diskreettiä määrittelyä perusteltiin yleensä sillä, että se vastaa parhaiten todellisia vaihtoehtoja. Jatkuvien muuttujien käyttöä perusteltiin taas määrittelytavan helppoudella ja erilaisten menetelmien käytön mahdollistamisella, sillä diskreetti määrittely voi rajata pois osan mahdollisista optimointi-, otanta- ja analysointimenetelmistä. Pääryhmiin kuuluvien muuttujien määrälle tai niiden tarkkuudelle ei tehdä tässä listauksessa eroa. Tapaus, jossa on muuttujana pelkästään ikkunoiden U-arvo ja ikkunaaukotusprosentti, saa yhtälailla merkinnän ryhmään lasitukset ja niiden ominaisuudet kuin tapaus, jossa on yksityiskohtaisempia muuttujia ikkunoiden ominaisuuksille ja muillekin lasituksille kuin ikkunoille. Rakennuksen layoutvaihtoehtona on pidetty jo rakennuksen sivujen suhteen asettamista muuttujaksi simuloinnissa. Termisillä alueilla tarkoitetaan rakennuksen tilojen yhdistelemistä simuloinnissa tietyntyyppisiksi, yhtenä kokonaisuutena käsiteltäviksi alueiksi Termiset alueet ja tilat Tila on hyvin oleellinen parametri energiasimuloinnissa tietomalleihin liittyvien tiedostoformaattien vuoksi. Tilan sijainnin ja tilaelementtien ominaisuuksien on oltava määriteltyjä, koska kaikki muu data liittyy suoraan näihin elementteihin. Rakennuksen jakaminen tiloihin tapahtuu yleensä energiasimuloinnissa huonekohtaisesti, mutta erilaisia vähäisemmän vaikutuksen tukitiloja, kuten hissikuiluja ja varastotiloja voidaan myös yhdistää. Alkuvaiheen suunnittelussa voidaan käyttää termisiin alueisiin pohjautuvaa tilajakoa kuvaamaan tiettyjen alueiden, kuten eri fasadien, rakennuksen keskiosien ja laitetilojen, lämpökuormia ja tietyntyyppisten alueiden viihtyisyyttä. (4,16) Termisten alueiden määrittämisellä voidaan simulointien tuloksien perusteella löytää alueet, jotka ovat selkeästi alttiimpia suorituskyvyn, tavoitteiden ja määräysten täyttymiseen liittyville ongelmille, kuten ylilämpenemiselle tai korkealle energiankulutukselle (10). Kun tämäntyyppiset ongelmia tuottavat tilat tai alueet voidaan tunnistaa hyvissä ajoin alkuvaiheen suunnittelussa, on suunnittelijoilla paremmat mahdollisuudet tehdä suuriakin energiatehokkuutta ja viihtyvyyttä parantavia muutoksia pienellä työllä. Tilojen määrittäminen niiden käyttötarkoituksen, asetettujen vaatimusten ja läsnäolotietojen perusteella antaa mahdollisuudet energiatehokkuuden ja olosuhteiden tarkempaan määrittelyyn koko rakennukselle Lasitukset ja niiden ominaisuudet Erilaiset rakennuksiin liittyvät lasitukset ovat olennainen osa rakennuksen alkuvaiheen suunnittelua jo arkkitehtoniselta kannalta, ja ne vaikuttavat merkittävästi tilojen valais- 24

32 tukseen, viihtyvyyteen, ylikuumenemiseen sekä lämpöhäviöihin ja siten myös taloteknisiin järjestelmiin sekä mahdollisiin päivänvalo-ohjauksiin ja aurinkosuojajärjestelmiin sekä niistä saatavien hyötyjen tarkasteluihin. Lasituksiin liittyvät vaikutukset tulisikin analysoida riittävällä tarkkuudella suunnitteluratkaisuvaihtoehtoja tuotettaessa. Lasituksiin liittyvät muuttujat ovat usein niiden kokoon ja materiaaliominaisuuksiin. Ikkunan koko on usein määritelty suhteellisena osuutena seinän alasta (9,16) ja myös sijainti seinällä voidaan kiinnittää. Eräässä tapauksessa ikkunoiden sijainti seinällä oli määritelty ikkunan keskikohdalle 70 % korkeudelle rakennuksen seinällä, kunnes ikkunakoon kasvaessa sen yläreuna saavutti seinän yläreunan (16). Ikkunoiden parametrisointi voidaan tehdä jatkuvana U-arvon perusteella (16), diskreettinä U-arvon perusteella (7) tai diskreettinä ikkunatyypin perusteella (9). Lisäksi voidaan erikseen määritellä eri ikkunatyypit ja ikkunoiden koko ilmansuunnan perusteella (7). Lasituksille tyypilliset tarkasteltavat ominaisuudet ovat näkyvän valon ja lämpösäteilyn läpäisykyky sekä U-arvo (7) Aurinkosuojaus Lasituksiin liittyy olennaisena osana passiiviset ja aktiiviset aurinkosuojausjärjestelmät sekä niiden integroiminen rakenteisiin ja arkkitehtonisiin elementteihin. Niiden vaikutusten tarkasteleminen on myös merkittävässä osassa suunnitteluvaihtoehtojen tuottamista ja niihin liittyvää päätöksentekoa. Aurinkosuojaukseen liittyvät vaatimukset ovat sidoksissa esteettisiin näkökulmiin sekä lasituksiin ja niiden tyyppeihin. Aurinkosuojauksessa muuttujat liittyvät suojauksen tyyppiin (sälekaihtimet, lipat), niiden geometriaan ja sijaintiin lasitukseen nähden sekä niiden mahdolliseen ohjaukseen (22) Rakennetyypit ja -materiaalit Rakennetyypit ja -materiaalit ovat rakennuksen investointi- ja elinkaarikustannusten sekä rakennusajan ja ulkonäön kannalta hyvin oleellisessa osassa. Rakenteina tässä puhutaan seinistä, ala- ja yläpohjista sekä muista huomattavan termisen massan omaavista rakennuksen osista, ja ne määritellään yleensä samana koko rakennukselle. Rakennuksen ulko- ja väliseinien, välipohjien sekä ylä- ja alapohjan vaikutusta rakennuksen termiseen dynamiikkaan ja energiatehokkuuteen voidaan tarkastella näiden rakenteiden lämmöneristävyyden, lämpökapasiteettien, sijoittelun ja määrän muuttujilla. Lämpökapasiteettia voidaan kuvata diskreettinä muuttujana, joka määritellään esimerkiksi kolmella vaihtoehdolla: kevyt, keskiraskas ja raskas. Tilaa rajoittavien ulko- ja väliseinien alojen välisellä suhteella voidaan määrittää tilalle diskreetti muuttuja kuvaamaan sen avoimuutta tila- tai aluetyypin mukaan. (21) Rakennuksen seinien sekä ylä- ja alapohjan lämmöneristävyyttä on kuvattu eristeen paksuuden perusteella määritetyllä U-arvolla (16), diskreettinä U-arvon perusteella (7), diskreettinä seinätyypin perusteella (9) tai erikseen eri ilmansuuntien seinille (11). Kat- 25

33 topinnan pintamateriaalin emissiviteetti ja katon väri voidaan huomioida pinnan absorptiokyvylle määriteltyjen kertoimien perusteella (16). On myös mahdollista huomioida rakenteita kokonaisuuksina ja soveltaa materiaalien ja rakennetyyppien erilaisia yhdistelmiä parhaan mahdollisen lopputuloksen saavuttamiseksi. Kun otetaan huomioon esimerkiksi kattorakenteessa rakennusmateriaali, eristemateriaali, eristepaksuus, ilmatila ja sen suuruus, voidaan rakennuksen suorituskyvyn lisäksi arvioida vaikutuksia investointikustannuksiin tarkemmin (8) Talotekniset järjestelmät ja niiden ohjaus Taloteknisten järjestelmien muuttujat ovat pääasiassa ilmanvaihtoon, lämmitykseen ja jäähdytykseen liittyviä lämpötiloja ja niiden asetusarvoja eri vuodenaikoina sekä mahdollisesti tarpeenmukaisuus huomioon ottaen läsnäolon tai aikaohjauksen määrittelyjä. Ilmanvaihdolle on lisäksi määriteltävä tila- tai vyöhykekohtaisesti ilmamäärät ja haluttaessa myös tarpeenmukaisuus. Näille muuttujille on asetettavissa tilanteesta riippuvat ylä- ja alarajat sekä vaihteluväli, mikäli käytetään diskreettejä muuttujia. (17) Toinen taloteknisten järjestelmien muuttujien joukko liittyy tuotantolaitoksiin. Pääasiassa tämä tarkoittaa lämmityksen ja jäähdytyksen tuotantoa. Tuotantolaitoksiinkin liittyvät muuttujat ovat lämmitys- ja jäähdytysverkostojen fluidien lämpötilojen asetus- ja rajaarvoja sekä järjestelmien tai laitteiden tyyppejä. Lisäksi tuotantolaitoksiin liittyvinä muuttujina voidaan tarkastella laitosten lämpö- ja kylmäkertoimia sekä laitosten määrää ja suhteellista tehoa verrattuna kokonaismitoitustehoon. (17) Näin voidaan tarkastella, onko kannattavampaa esimerkiksi valita yksi suurempitehoinen vedenjäähdytyskone vai kaksi pienempitehoista, joiden yksittäiset tehotkin voidaan erikseen määritellä. Lam in ym. (17) tutkimuksessa tehdyn herkkyysanalyysin tuloksena todettiin, että eniten rakennuksen energiankulutukseen vaikuttavat muuttujat olivat sijainnista riippuen jäähdytyksen ja lämmityksen lämpötilojen asetusarvot, jäähdytyslaitoksen kylmäkerroin, puhaltimien hyötysuhde sekä laitteiden ja valaistuksen aiheuttamat lämpökuormat. Vertailtavana olivat näiden lisäksi esimerkiksi rakenteiden ja ikkunoiden U-arvot, ilmamäärät ja ikkuna-ala. Herkkyysanalyysin tuloksiin vaikuttaa olennaisesti muuttujille määritellyt raja-arvot, jotka olivat tässä tapauksessa esimerkiksi kesäaikaisen sallitun sisälämpötilan asetusarvolle 20 ja 29 C. Nämä eivät välttämättä ole kovin järkevät tai ainakaan todellisuutta vastaavat ja on otetta huomioon tulosten oikeellisuutta pohdittaessa. Myös huomattavasti tarkempia rakennuksen suorituskykyyn vaikuttavia muuttujia on käytetty. Esimerkkinä näistä ovat lämmitys- ja jäähdytyslaitosten sekä pumppujen ja puhaltimien hyötysuhdekäyrät sekä säteilylämmönsiirron osuutta laitteiden lämpökuormasta kuvaavat kertoimet (23). Rakennusten energiatehokkuuden parantuessa esimerkiksi ilmanvaihtokoneiden puhaltimien sähkönkulutuksen suhteellinen merkittävyys on 26

34 noussut, jolloin yksityiskohtaisten muuttujien, kuten hyötysuhdekäyrien, tarkastelu on perusteltua Rakennuksen suuntaus Rakennuksen suuntaus on auringon aiheuttamiin - haitallisiin ja hyödyllisiin - lämpökuormiin sekä päivänvalon hyödyntämiseen vaikuttava ja usein energiasimuloinneissa käytettävä muuttuja. Sen käyttöä muuttujana rajoittavat viereiset rakennukset, kaavoitus ja määräykset, turvallisuusasiat ja rakennuksen saavutettavuus. Suuntaukseen liittyy olennaisesti erityyppisten tilojen tai vyöhykkeiden sijoittelu rakennuksessa. Erilaisten tilaratkaisujen ja suuntausten tarkastelu yhdessä onkin usein perusteltua. Suorakulmion muotoiselle rakennukselle, jolle alkuvaiheen suunnittelussa on määritelty vyöhykkeet muttei tilatyyppejä, voidaan tehdä yksinkertaistettu suuntauksen vaikutuksen tarkastelu, koska symmetrisyyden perusteella kaikki mahdolliset tapaukset on tarkasteltu 180 alueella. Suuntaus voidaan jakaa esimerkiksi neljään 45 osuuteen, joille lasketaan osuuden arvoalueelta satunnaisesti valittujen suuntausten perusteella osuutta kuvaavat vaikutukset rakennukseen. Rakennuksen suuntauksen muuttuessa eri osuuksien väleillä kullekin ulkopinnalle aiheutuneita vaikutuksia muutetaan vastaavasti. (16) Muodoltaan monimutkaisemmille rakennuksille, käytännössä siis muille kuin suorakulmion muotoisille, on määritettävä suuntauksen vaikutukset täydelle 360 pyörähdykselle jakamalla suuntaus halutun suuruisiin, esimerkiksi 15 osuuksiin (8). Suuntauksen jakoa ei ole järkevää tehdä kovinkaan pieniin osuuksiin, sillä pienten suuntauksen muutosten vaikutus rakennuksen suorituskykyyn ei yleensä ole kovin merkittävä (8,16) mutta vaikutus tehtävien simulointien määrään voi olla hyvinkin suuri Skenaariomuuttujat Skenaariomuuttujiin kuuluvat rakennuksen ominaisuudet tai aktiviteetit ovat energiasimuloinnissa usein muuttumattomia parametreja, mutta niiden käsitteleminen muuttumattomina perustuu usein oletuksiin, jotka eivät välttämättä pidä paikkaansa joko koko rakennuksen elinkaaren tai sen osan aikana. Päätöksentekijälle näiden parametrien käsitteleminen skenaarioita tuottavina muuttujina voi antaa tärkeää tietoa rakennuksen suorituskyvystä erilaisissa tilanteissa sekä fyysisessä ja taloudellisessa ympäristössä. Skenaariomuuttujille on ominaista, etteivät ne ole suunnittelussa päätöksentekijän määritettävissä, vaan ne liittyvät tulevaisuuden ennustettavuuteen ja epävarmuuteen. Energiasimuloinnin parametreja, joita voidaan käyttää skenaariomuuttujina, ovat erilaiset säähän ja ympäristöön liittyvät muuttujat, läsnäoloon liittyvät muuttujat ja taloudelliset muuttujat. Skenaariomuuttujien jaotteleminen omaksi ryhmäkseen ei ole mikään vakiintunut käytäntö, vaan tässä työssä valittu jaottelutapa. 27

35 Sää ja ympäristö Rakennuksen maantieteellisen sijainnin ilmasto-olosuhteita ei yleensä käsitellä muuttujana energiasimuloinnissa, vaan vuotuiset säätiedot pysyvät muuttumattomina tarkasteltaessa suunnitteluratkaisuvaihtoehtojen muita muuttujia. Huomioimalla ilmastoon liittyvän tiedon stokastinen luonne ja muutokset ilmastossa voidaan tuottaa tietoa perustellumpaan päätöksentekoon. Ilmastonmuutoksen vaikutuksia ja siitä aiheutuvaa epävarmuutta rakennusten energiatehokkuuden määrittelyssä on kuitenkin tutkittu erilaisten ilmastoskenaarioiden avulla. Esimerkiksi keskimääräistä ilmaston lämpenemistä Iso- Britanniassa kuvaavalla skenaariolla vuonna 2050 lämmitystarveluku olisi pienentynyt 33 % ja jäähdytystarveluku kasvanut 252 % lukujen keskimääräisiin lukuihin verrattuna (24). Ilmastonmuutoksen tarkkaa vaikutusta voidaan tuskin määrittää, mutta sen vaikutusta rakennuksen suunnitteluratkaisun energiatehokkuuteen esimerkiksi järjestelmämitoituksissa on hyödyllistä tarkastella. Rakennuksen ympäristö ei ole varsinaisesti suunnitteluratkaisujen tuottamisessa muuttuja, vaan rajoitteita asettava tekijä. Ympäristö on kuitenkin hyvin merkittävä tekijä rakennuksen koon, muodon, suuntauksen, saavutettavuuden sekä erilasten teknisten ratkaisuiden ja järjestelmien valinnan kannalta. Tiheästi rakennetuilla alueilla tarkasteltavaa rakennusta ympäröivillä rakennuksilla on merkittävä vaikutus varjostuksiin ja siten päivänvalon hyödyntämiseen ja lämpökuormiin. Lisäksi rakennuksen ympäristö saattaa rajoittaa rakennuksen tai raitisilmasäleikköjen suuntausta epäedullisesti, mikä voi aiheuttaa suurempia lämpökuormia ja mitoitusteholtaan suurempia järjestelmiä. (24) Sisäiset kuormat ja läsnäolo Alkuvaiheen suunnitteluratkaisujen kannalta haasteellisia muuttujia ovat lämpökuormien ja läsnäolon huomioiminen ja niihin liittyvät epävarmuustekijät. Varsinkin läsnäolotiedot ovat alkuvaiheen suunnittelussa suuntaa antavia. Ne myös muuttuvat rakennuksen käytön aikana, vaikka rakennuksen käyttötarkoitus ei muuttuisi, ja erityisesti silloin, kun rakennuksen käytössä tapahtuu olennaisia muutoksia. Erilaiset läsnäolotietojen skenaariot on voitava huomioida suunnitteluratkaisujen tuottamisessa. Lämpökuorma- ja läsnäolotiedot ovat yleensä tiloihin ja termisiin alueisiin sidottuja määritteitä. Sisäisiä lämpökuormia rakennuksessa aiheuttavat ihmiset, laitteet ja valaistus. Näiden kaikkien vaikutus on voimakkaasti riippuvainen läsnäolo- ja aikataulutiedoista sekä rakennustyypistä ja määritellyistä tilatyypeistä. Kuormien ja aikataulujen tietoja on määritelty erilaisissa standardeissa ja määräyksissä, mutta niitä voidaan myös arvioida samantyyppisten olemassa olevien rakennusten perusteella. (10,16) On huomioitava, että tähän ryhmään kuuluvista muuttujista osaan voidaan vaikuttaa suunnittelulla, jolloin ne toimivat energiasimuloinnin päätösmuuttujina, mutta osaa voidaan käyttää ainoastaan erilaisten skenaarioiden tuottamiseen. 28

36 Azar ym. (25) tutkivat läsnäoloon liittyvien muuttujien vaikutusta rakennuksen energiankulutukseen herkkyysanalyysin avulla. Merkittävimmät energiankulutukseen vaikuttavat läsnäolon muuttujat olivat lämpimälle alueelle jäähdytyksen työajan aikaisen lämpötilan asetusarvo ja kylmälle alueelle vastaava lämmityksen lämpötilan asetusarvo. Viikoittaisen työajan muutoksella oli molemmilla alueilla merkitystä, mutta ei niin huomattavaa kuin lämpötilan asetusarvoilla. Näiden lisäksi lämpimällä alueella työajan ulkopuolinen valaistuksen käyttö oli selkeä energiakulutuksen lisääjä Taloudelliset muuttujat Taloudellisia muuttujia ovat korot, inflaatio, eskalaatio sekä muut vaihtelut energian ja rakennuksen komponenttien hinnassa. Niiden määrittäminen perustuu energiasimulointiympäristön ulkopuolisiin malleihin ja asiantuntijoiden arvioihin. Rakentamisesta vastaavan päätöksentekijän preferensseissä taloudelliset muuttujat nousevat korkealle, ja tämän päätöksentekijän kannalta oleellisimpiin päätöksiin liittyviin kysymyksiin voidaan vastata juuri näiden muuttujien avulla. Tässä työssä keskitytään kuitenkin ainoastaan energiatehokkuuteen liittyvien asioiden huomioimiseen, ja kustannusten arvioiminen on tämän työn ulkopuolella, mutta kuitenkin osana suurempaa kokonaisuutta Herkkyys- ja epävarmuusanalyysit Epävarmuustekijöiden huomioiminen sekä muuttujien vaikutusten arvioiminen ovat oleellinen osa rakennuksen suunnittelua ja päätöksentekoa suunnitteluratkaisuja tuottavassa energiasimulointiprosessissa (6). Pelkkä energiasimuloinnin sekä mahdollisten optimointi- ja päätöksentekomenetelmien käyttö eivät riitä perusteeksi suunnitteluratkaisun valinnalle. Onnistunut suunnitteluprosessi edellyttää sekä suunnitteluratkaisun että itse prosessin kriittistä tarkastelua ja laadunvarmistusta. Analyyttisesti tämä voidaan toteuttaa herkkyys- ja epävarmuusanalyyseilla. Epävarmuusanalyysin avulla määritetään energiasimuloinnin muuttujista johtuva epävarmuus saaduissa tuloksissa, ja herkkyysanalyysilla määritetään yksittäisten muuttujien vaikutusten merkittävyys näihin tuloksiin (26). Suurimmassa osassa tämän työn yhteydessä vastaan tulleissa rakennusten energiasimuloinnin herkkyys- ja epävarmuusanalyyseja koskevissa tutkimuksissa on käytetty otantamenetelmiä analyysien tekemiseen. Menetelmistä on kerrottu enemmän myöhemmin tässä luvussa. Otantamenetelmiin perustuvien herkkyys- ja epävarmuusanalyysien suorittaminen voidaan jakaa neljään osaan (26): 1. Muuttujien todennäköisyysjakaumien määrittäminen 2. Otannan muodostaminen muuttujien todennäköisyysjakaumien perusteella 3. Tulosten määrittäminen syöttämällä otanta laskentamalliin 4. Herkkyys- ja epävarmuusanalyysien tulosten esittäminen 29

37 Muuttujien epävarmuutta kuvaavien todennäköisyysjakaumien määrittäminen on tärkein osa otantaan perustuvien herkkyys- ja epävarmuusanalyysien määrittelyjä (26). Hopfe (6) käyttää muuttujille normaalijakaumaa, jonka määrittämiseksi tulee muuttujille olla tiedossa keskiarvo ja keskihajonta. Muuttujat ovat tässä tapauksessa materiaalien ominaisuuksia ja niiden keskihajonnat on haettu joko kirjallisuudesta tai arvioitu päätöksentekijän toimesta prosenttiosuutena keskiarvosta. Toisaalta Helton ym. (26) toteavat, ettei ole järkevää lähteä arvioimaan keskihajontoja ja muodostamaan tietyntyyppisiä jakaumia. Heidän mukaansa muuttujien jakaumien tulisi perustua asiantuntijoiden karkeisiin arvioihin ja herkkyysanalyysin tuottamien tulosten perusteella näitä arvioita tulisi tarkentaa merkittävimmille muuttujille. de Wit ym. (27) tutkivat tällaisten asiantuntijoiden määrittämien jakaumien soveltamista rakennusten energiasimuloinnin epävarmuusanalyysissa. Menetelmän soveltamisen todettiin onnistuneen ja määritellyn jakauman kuvaavan hyvin muuttujan epävarmuutta. Wei ym. (28) mukaan käytettävän todennäköisyysjakauman määrittää tarkoitus, johon analyyseja käytetään. Rakennuksen suunnitteluratkaisujen vertailussa käytetään muuttujilla diskreettiä tai jatkuvaa tasajakaumaa, koska halutaan olettaa, että kaikki muuttujille asetetut arvot ovat yhtä mahdollisia. Mikäli näin ei ole, voidaan myös käyttää toista jakaumaa. Olemassa olevan rakennuksen energiatehokkuutta tarkasteltaessa tai energiasimuloinnin tuloksia ja rakennuksesta mitattuja tietoja vertailtaessa käytetään normaalijakaumaa, joka ottaa huomioon materiaalien ja rakennustöiden laadun, lämpötilan epätasaisuuden ja muut tarkan tiedon puutteesta johtuvat vaihtelut tarkasteltavissa muuttujissa. Jos tarkastellaan olemassa olevan rakennuksen parannusten vaikutusta energiatehokkuuteen, on käytettävä kehittyneempää menetelmää, joka ottaa huomioon sekä epätasaisen laadun ja puutteelliset tiedot että suunnittelun muuttujien todennäköisyydet. Rakennusten suunnitteluratkaisuja tuottavassa energiasimulointiprosessissa herkkyysanalyysin tulokset ohjaavat prosessin etenemistä ja siinä tehtäviä päätöksiä. Ne eivät ole oleellisia tarkasteltaessa yksittäistä suunnitteluratkaisua tai vertailtaessa useita suunnitteluratkaisuja, vaan niiden avulla ohjataan prosessia esimerkiksi rajaamalla tarkasteltavia muuttujia sekä niiden arvojoukkoja ja vaihteluvälejä. Sen sijaan epävarmuusanalyysin tulokset ovat osa suunnitteluratkaisuja tuottavan energiasimulointiprosessin tuloksia, ja niitä tulisi käyttää suunnitteluratkaisujen vertailuissa sekä lopullisen suunnitteluratkaisun valintaan johtavassa päätöksenteossa Epävarmuusanalyysi Kaikilla energiasimuloinnissa käytetyillä muuttujilla on omat epävarmuustekijänsä. Yksittäisen muuttujan epävarmuuden määrittäminen on usein helppoa, mutta useiden muuttujien epävarmuuden yhteisvaikutuksen määrittäminen on huomattavasti vaikeampaa. Erityisesti alkuvaiheen suunnittelussa epävarmuustekijöitä on paljon ja ne ovat usein hyvin merkittäviä. Yleisellä tasolla epävarmuusanalyysi suoritetaan määräämällä 30

38 valituille muuttujille epävarmuustekijät ja määrittämällä tulosten hajonta. Epävarmuusanalyysissa tulee myös ottaa huomioon muuttujien suhteellinen tärkeys yhdistämällä se herkkyysanalyysiin. (29) Epävarmuusanalyysin avulla voidaan tarkastella suunnitteluratkaisuun liittyviä riskejä ja epävarmuustekijöitä analyyttisesti. Tämä mahdollistaa perustellusti tuotetun tiedon esittämistä erilaisina lukuina ja visualisointeina tukemaan päätöksentekoa. Analyysin tuloksena voidaan esimerkiksi saada tieto siitä, että valitulla aurinkokeräinjärjestelmällä voidaan tyydyttää 20 % rakennuksen energiankulutuksesta 60 % todennäköisyydellä (kuva 14), tai että tämän aurinkokeräinjärjestelmään tehdyt investoinnit ovat kannattavia jollakin todennäköisyydellä (30). Kuvassa 14 on esitetty kaksi tapaa esittää muuttujan epävarmuutta. Vasemmanpuoleisesta visualisoinnista nähdään, että aurinkokeräinjärjestelmällä tuotetun energian suhteen vaihtelu kokonaisenergiankulutukseen tapahtuu lähes kokonaan 15 ja 30 prosentin välillä ja harmaalla on kuvattu todennäköisyys, että tämä suhde ylittää arvon 20 %. Oikeanpuoleinen visualisointi kertoo, mikä on todennäköisyys, että aurinkokeräinjärjestelmän tuoton suhde kokonaiskulutukseen on pienempi tietyllä muuttujan arvolla. Tässä tapauksessa suhde on pienempi kuin 20 % todennäköisyydellä 40 %. (30) Kuva 14 - Epävarmuusanalyysissä käytettäviä menetelmiä. PDF (Probability Density Function) on tiheysfunktio ja ECDF (Empirical Cumulative Distribution Function) on kertymäfunktio (30) 31

39 Kuva 15 Epävarmuusanalyysin tuloksena saatu kesäaikaisen lämpötilan raja-arvon ylittävien tuntien (TO) määrien jakauma. (27) Kuvan 15 tapauksessa rakennuksen suunnitteluratkaisun muuttujien epävarmuustekijät vaikuttavat kesäaikaisen lämpötilan raja-arvon ylittävien tuntien määrään (27). Kuva esittää simuloinnista saatujen tulosten määrää tietyille tuntimäärien väleille. Yksittäinen, epävarmuustekijät huomioimatta jättävä ratkaisu olisi todennäköisesti antanut ylittävien tuntien määräksi noin 100 tuntia. Jos päätöksentekijän kriteerinä jäähdytysjärjestelmän lisäämiselle rakennukseen olisi 150 tunnin ylitys, ei hän todennäköisesti olisi järjestelmää tilannut tämän yksittäisen ratkaisun perusteella. Jos hänelle olisi esitetty kuvan mukainen epävarmuusanalyysin tuloksena saatu jakauma, jonka mukaan on karkeasti noin 30 % mahdollisuus, että 150 tunnin kriteeri ylittyy, voisi hänen päätöksensä olla toisenlainen. Epävarmuusanalyysin tulosten visualisointiin on käytetty eniten kuvan 15 mukaista histogrammia, josta siis selviää valittujen tulosten määrien jakauma määritellyillä arvoväleillä. Tästä visualisoinnista nähdään, muistuttaako tulosten jakauma jotain todennäköisyysjakaumaa, sekä niiden painottuminen ja jakautuminen, todennäköinen arvoväli ja mediaani. Kuvan 14 ECDF-kuvaajasta sen sijaan näkee paremmin saavutettavan tavoitetason todennäköisyyden. Hopfe n (6) tekemän asiantuntijoille suunnatun kyselytutkimuksen mukaan molemmat visualisointitavat ovat käyttäjien mielestä ymmärrettäviä ja antavat hyödyllistä tietoa päätöksenteon tueksi. Kaikkia muuttujia ei ole välttämättä tarpeellista ottaa huomioon epävarmuusanalyysissa, vaan huomioitavien muuttujien valitsemisessa voidaan ottaa huomioon erilaisia kriteerejä. Näitä ovat projektin tavoitteet ja niihin liittyviin kysymyksiin vastaaminen, käytettävissä olevat tiedot projektiin liittyen, analyysiin käytettävissä oleva aika ja resurssit sekä analyysiin käytettävä menetelmä. Useimmiten huomioiduksi tulevat muuttujat ovat suunnittelijoiden tiedon ja kokemuksen perusteella valittuja epävarmimpina pidettyjä 32

40 muuttujia sekä tavoitteisiin suurimman vaikutuksen aiheuttavat muuttujat, jotka selviävät herkkyysanalyysin perusteella. (30) Toisaalta epävarmuusanalyysissa tulisi tarkastella muuttujia, joiden tarkka määrittäminen ei ole mahdollista. Tällaisia muuttujia ovat esimerkiksi erilaiset rakennuksessa tapahtuvaan lämmönsiirtoon liittyvät kertoimet. (27) Rakennuksen suunnitteluratkaisuun liittyvät epävarmuustekijät voidaan jakaa kolmeen ryhmään. Fyysiset epävarmuustekijät ovat väistämättömiä ja ne liittyvät esimerkiksi materiaalien ominaisuuksiin. Suunnittelun epävarmuustekijät ovat suunnitteluun osallistuvien osapuolten puutteellisista tiedoista ja heidän määrittämistään muutoksista johtuvia. Niiden vaikutus tavoitteisiin riippuu suunnitteluvaiheesta. Skenaariotarkasteluihin liittyvät epävarmuustekijät ovat rakennuksen käytön sekä taloudellisten muuttujien ja esimerkiksi ilmaston muutoksien epävarmuuden aiheuttamia. Näiden hyvin erityyppisten epävarmuustekijöiden tarkastelun yhdistämistä voidaan pitää vaarallisena tai vähintään päätöksenteolle haitallisena. Herkkyys- ja epävarmuusanalyysit tulisikin suorittaa erikseen kaikille kolmelle ryhmälle. (6) Herkkyysanalyysi Herkkyysanalyysillä arvioidaan tarkasteltavan mallin tulosten vakautta eli herkkyyttä lähtöoletusten muuttamisesta aiheutuville vaikutuksille. Herkkyysanalyysin tavoitteena on määrittää ne muuttujat, joilla on suurin merkitys simuloinnin tulosten ja niihin liittyvien epävarmuustekijöiden kannalta. Näin tarkastellut muuttujat voidaan asettaa tärkeysjärjestykseen ja varmistua siitä, että juuri näihin muuttujiin liittyvät tekijät selittävät tuloksia ja havaittua epävarmuutta. (27) Energiasimuloinnissa käytettyjen muuttujien vaikutukset ovat osin pääteltävissä eikä tällaisilla tiedossa olevilla lineaarisilla ja summautuvilla vaikutuksilla ole suurta informaatioarvoa. Niiden suhteellisen merkittävyyden määrittämisellä erilaisissa suunnitteluratkaisuissa ja rakennustyypeissä sen sijaan on tarpeellista. Päätöksentekijälle tärkeää tietoa antavat erityisesti vaikeasti pääteltävissä olevat muuttujien epälineaariset vaikutukset ja niiden yhdistelmävaikutukset. Herkkyysanalyysin tuloksena saadaan päätöksentekoa tukeva yleiskuva tarkastelujen muuttujien vaikutuksista ja suhteellisesta merkittävyydestä muuttujille määritellyillä arvoalueilla ja vaihteluväleillä. Lisäksi tuloksiin vaikuttaa menetelmästä riippuen subjektiivisesti määritelty perustapaus rakennuksen suunnitteluratkaisulle. Tämän yleiskuvan perusteella käyttäjä voi tehdä päätöksen muuttujien sekä niiden raja-arvojen ja vaihteluvälien soveltuvuudesta kyseisen suunnitteluratkaisun tarkasteluihin. (7) Herkkyysanalyysin tekemiselle ei ole yksittäistä tarkkaan määriteltyä tapaa rakennusten erilaisista käyttötarkoituksista ja tavoitteista johtuen (31). Kuvassa 16 on esitetty herkkyysanalyysissa sovellettava prosessi yleisesti. 33

41 Kuva 16 - Herkkyysanalyysissä käytetty prosessi. (28) Energiasimuloinnissa on usein käytetty herkkyysanalyysin tulosten esittämiseen yksinkertaista menetelmää (25,31), jossa lasketaan saadun tuloksen muutoksen suhde perustapauksen tulokseen, sekä tämän suhde muuttujan muutoksen suhteeseen perustapauksessa käytetystä muuttujan arvosta: Jos parametrina on esimerkiksi rakennuksen lämmitystilanteen lämpötilan asetusarvo ja tuloksena on vuotuinen energiankulutus, vaikutuskertoimen (influence coefficient, IC) arvo +2.0 tarkoittaa, että yhden prosentin nousu lämpötilan asetusarvossa johtaa kahden prosentin nousuun vuotuisessa energiankulutuksessa. Useammalle kuin yhdelle simuloinnille voidaan käyttää kaikkien simulointien vaikutuskertoimien keskiarvoa ja keskihajontaa kuvaamaan muuttujan keskimääräistä vaikuttavuutta (kuva 17). Tämä menetelmä on hyvin yksinkertainen, ja sen tulos on helposti ymmärrettävissä. Toisaalta tietynlaisen perustapauksen valinnalla muuttujan arvo saattaa vaikuttaa merkittävästikin tarkastellun tuloksen arvoon tasaisesti sekä positiiviseen että negatiiviseen suuntaan, jolloin usean simuloinnin perusteella saatu vaikutuskertoimen keskiarvo voi olla hyvinkin pieni. Perustapauksen määrittämiseen ei löytynyt perusteita. Kuvan 17 mukainen pylväsdiagrammi on herkkyysanalyysin tuloksien visualisoinnissa eniten käytetty menetelmä. Yleensä siinä ei kuitenkaan ole esitetty keskihajontaa kuten tässä. 34

42 Kuva 17 - Energiasimuloinnin suoritetun muuttujien varioinnin herkkyysanalyysien tulosten keskiarvot ja keskihajonnat. (31) Herkkyys- ja epävarmuusanalyyseissa käytetyt menetelmät Herkkyys- ja epävarmuusanalyysi vaativat usein melko suuren simulaatiomäärän. Käytännössä tämä tarkoittaa aina erilaisista muuttujien arvojen yhdistelmistä muodostettujen vaihtoehtojen automatisoitua tuottamista. Herkkyys- ja epävarmuusanalyysien suorittamiseen rakennusten suunnitteluratkaisujen tarkasteluissa liittyykin olennaisena osana erilaiset otantamenetelmät, joita käytetään globaaleissa herkkyysanalyysimenetelmissä. Globaaleja menetelmiä ovat esimerkiksi Monte Carlo menetelmät, lineaarisen regression menetelmät, seulontamenetelmät sekä varianssiin perustuvat menetelmät. Otantamenetelmissä tarkasteltavan mallin ei tarvitse olla lineaarinen. Energiasimuloinnissa muuttujat eivät aina käyttäydy lineaarisesti, joten otantamenetelmät soveltuvat siinä käytettäviin herkkyys- ja epävarmuusanalyyseihin. (6) Energiasimuloinnin herkkyysanalyysi toteutetaan jokaiselle tarkastellulle muuttujalle erikseen (25,31). Lokaaleissa menetelmissä (28) sen sijaan tehtävien simulointien määrä on usein huomattavasti pienempi, koska niissä muutetaan yleensä vain yhtä muuttujan arvoa kerrallaan muiden muuttujien arvojen pysyessä vakioina. Tätä muuttujan arvon vaikutusta saatavaan tulokseen verrataan näissä menetelmissä perustapaukseen, jonka valinnalla on hyvin merkittävä vaikutus analyysin tuloksiin. Lokaalit menetelmät ovat hyvin yksinkertaisia sekä helposti ymmärrettäviä ja sovellettavia, mutta niiden avulla tehdyt analyysit ovat osittain rajoittuneita eikä esimerkiksi muuttujien yhteisvaikutusten herkkyyttä voida arvioida. Aiemmin esitetty simuloinnin tulosten perusteella laskettava vaikutuskerroin IC on hyvä esimerkki lokaalista menetelmästä, jossa muuttujien vaikutuksia tarkastellaan yksi muuttuja kerrallaan jonkin määritetyn perustapauksen avulla. 35

43 Otoksen koko vaikuttaa olennaisesti tehtyjen herkkyys- ja epävarmuusanalyysien tarkkuuteen. Tarvittavan otoksen kokoon vaikuttavat tarkasteltavan mallin rakenne ja sen kompleksisuus, analysoitavien muuttujien lukumäärä ja käytettävä otantamenetelmä. (30) Kuvassa 18 on esitetty Monte Carlo -menetelmällä tehtyjen simulointien määrän vaikutusta herkkyys- ja epävarmuusanalyysien tulosten tarkkuuteen. Kuvan perusteella voidaan todeta, etteivät analyyseista saadut tulokset parane enää merkittävästi simuloinnin jälkeen. Toinen arvio tarvittavien simulointien määrälle on 1.5 kertaa tarkasteltavien muuttujien lukumäärä (32). Otantamenetelmien hyödyntäminen energiasimuloinnissa onnistuu erityisen hyvin EnergyPlus- ja DOE2-laskentamoottoreilla, koska niiden syötetiedostot ovat tekstitiedostoja, joita on helppo muokata yksinkertaisellakin ohjelmoinnilla. EnergyPlus-laskentamoottori soveltuu myös hyvin suurien simulointimäärien ajamiseen, koska se pystyy hyödyntämään useita samanaikaisia simulointiprosesseja moniytimisellä prosessorilla. Kuva 18 - Monte Carlo -menetelmällä tehtyjen simulointien määrän vaikutus herkkyys- ja epävarmuusanalyysien tulosten tarkkuuteen. (6) Monte Carlo -menetelmissä kaikkien tarkasteltujen muuttujien arvoja varioidaan samanaikaisesti, jolloin muuttujien epävarmuuksien yhteisvaikutukset näkyvät herkkyysanalyysin tuloksissa. Toisaalta tämän myös tarkoittaa sitä, ettei yksittäisten muuttujiien riippumattomista herkkyyksistä saada tuloksia. Nämä menetelmät eivät tuota suoraan herkkyys- ja epävarmuusanalyysien tuloksia. Herkkyysanalyysien tuloksiin käytetään esimerkiksi aiemmin esitettyä vaikutuskerrointa, sen variaatioita tai regressioanalyysiä ja epävarmuusanalyysin tuloksiin histogrammia sekä tiheys- ja kertymäfunktioita. Perinteinen regressioanalyysi toimii yleensä huonosti epälineaarisesti käyttäytyvien muuttujien kanssa, mutta sen toimivuutta voidaan parantaa erilaisilla menetelmillä. (6) Yksi rakennusten energiasimuloinneissa usein käytetty otantamenetelmä on Latin Hypercube Sampling (LHS) (27,28,32,33). Se pohjimmiltaan Monte Carlo -menetelmä, 36

44 mutta sen avulla otoksen kokoa, eli tarvittavien simulointien määrää, voidaan joissain tapauksissa merkittävästi pienentää. LHS-menetelmät avulla tuotetaan tarkasteltava otanta siten, että muuttujien arvoalueet jaetaan yhtä suuriin osuuksiin. Jokaiseen osuuteen on kohdistuttava vähintään yksi otos. Tällä tavalla koko muuttujan arvoalue saadaan katettua varmistetusti pienemmällä otannalla kuin perinteisessä Monte Carlo - menetelmässä (kuva 19). Käytettäessä otantamenetelmiä epävarmuusanalyysissä on jokaiselle muuttujalle määritettävä todennäköisyysjakauma (6). Kuva 19 - Perinteisen Monte Carlo -menetelmän ja LHS-menetelmän eron kuvaus. (33) LHS-menetelmän käytön suosioon kompleksisten mallien epävarmuus- ja herkkyysanalyyseissa on useita. Sen konsepti on hyvin yksinkertainen ja sen käyttöönotto on melko helppoa. Menetelmän avulla päästään hyvin tiheään ja kattavaan otokseen kunkin muuttujan arvoalueella ja se on suoraan hyödynnettävissä epävarmuusanalyysin tulosten tuottamisessa. Tämän takia sen on erittäin tehokas erilaisten mallien verifioinnissa ja sen avulla voidaan käyttää monia erilaisia herkkyysanalyysin tuloksien tuottamiseen tarkoitettuja menetelmiä. (34) On kuitenkin voitu osoittaa (30), että LHS-menetelmää sekä monia muita menetelmiä vakaampi ja tehokkaammin konvergoituva on Sobol-menetelmä (Sobol sequences). Vertailussa LHS-menetelmä ja Sobol-menetelmä olivat selkeästi muita parempia, mutta Sobol-menetelmä oli näistä kahdesta hieman parempi vakautensa ansiosta. Toisaalta on myös todettu (34), että Sobol-menetelmän toteutus on huomattavasti haastavampaa ja se vaatii jo valmiiksi melko hyvää tietämystä tarkasteltavan ongelman ja siihen liittyvien muuttujien käyttäytymisestä. Macdonald (35) on energiasimulointisovellutuksella toteutetun neljän otantamenetelmän vertailussaan tullut siihen johtopäätökseen, ettei LHSmenetelmä tuo merkittäviä lisäetuja tulosten tarkkuuden tai simulointien määrän osalta. Sen sijaan käytännön sovelluksissa tulisi käyttää yksinkertaista satunnaista otantaa ja noin 100:a simulointia herkkyys- ja epävarmuusanalyysien suorittamiseen. 37

45 Kuva 20 - Rakennusten energiasimuloinneissa käytettyjä herkkyysanalyysimenetelmiä. (28) Herkkyysanalyysin tulosten määrittämiseen voidaan käyttää useita erilaisia menetelmiä (kuva 20). Regressiomenetelmät ovat rakennusten energiasimuloinneissa eniten käytettyjä menetelmiä ja niissä voidaan käyttää suoraan otantamenetelmillä tuotettuja tuloksia. Ne ovat laskennallisesti kevyitä ja niiden perusperiaatteet on helppo ymmärtää. Regressiomenetelmissä on otettava huomioon tarkasteltavan mallin lineaarisuus ja monotonisuus. Esimerkiksi SRC soveltuu ainoastaan lineaarisille malleille ja SRRC soveltuu myös epälineaarisille mutta ainoastaan monotonisille malleille. (28) Varianssiin perustuvat menetelmät ovat laskennallisesti huomattavasti raskaampia kuin regressiomenetelmät, mutta ne pystyvät ottamaan huomioon yksittäisten muuttujien vaikutusten lisäksi muuttujien yhteisvaikutuksia. Rakennusten energiasimuloinnin herkkyysanalyyseihin varianssiin perustuvista menetelmistä eniten käytetty on FASTmenetelmä ja seulontamenetelmistä Morris-menetelmä. (28) Morris-menetelmässä jokaista muuttujaa varioidaan yksitellen niille määritetyllä arvoalueella. Menetelmällä on mahdollista erottaa lineaarisesti käyttäytyvät muuttujat epälineaarisesti käyttäytyvistä muuttujista. Epävarmuusanalyysiä ei voida suorittaa Morrismenetelmän avulla, vaan se antaa suoraan herkkyysanalyysin tulokset, jotka muodostuvat jokaiselle muuttujalle määritetystä herkkyyttä kuvaavasta kertoimesta ja sen hajonnasta. Menetelmä tuottaa kvalitatiivisen arvion muuttujien keskimääräisestä merkittävyydestä, joten muuttujien suhteellisesta merkittävyydestä ei tällä menetelmällä saada tietoa. FAST-menetelmällä arvioidaan odotusarvoa ja varianssia tarkastellulle mallille. Tarkasteltu malli voi olla epälineaarinen ja epämonotoninen. Menetelmän avulla voidaan huomioida muuttujien vuorovaikutuksista johtuvia vaikutuksia, mutta se vaatii erittäin suuren määrän simulointeja. (6) Eräänlaisena herkkyysanalyysin lisäosana voidaan pitää Monte Carlo -suodatusta, jonka avulla voidaan rajata muuttujien arvojoukosta osajoukko, joka tuottaa kaikkien mahdollisten tulosten arvojoukon alueelta määriteltyjen tavoitteiden mukaisen osajoukon mukaisia tuloksia (30). Tämän suodatusmenetelmän avulla simuloinnin muuttujien arvojoukkoa voidaan rajata ja tehdä tarkentavia simulointeja tehdyn rajauksen puitteissa. 38

46 Näin voidaan keskittyä vain tietyt tavoitteet täyttäviin ratkaisuihin ja erityisesti niihin muuttujiin, jotka ovat merkittävimpiä juuri näiden merkittävimpien ratkaisujen osalta. Kuvassa 21 on kuvattu aiemminkin mainitun aurinkokeräinjärjestelmän tuoton suhteeseen vaikuttavia muuttujia ja niiden merkittävyyttä. Kuvissa sinisellä on merkitty tavoitteiden mukaisen osajoukon tuottavien muuttujan todennäköisyyttä ja punaisella tämän osajoukon ulkopuolisten muuttujan arvojen todennäköisyyttä. Näiden osajoukkojen välisellä erolla kuvaajissa voidaan kuvata muuttujan merkittävyyttä; mitä suurempi eroavaisuus, sitä suurempi merkitys muuttujalla on. Tässä ilmanvaihdon suuruudella (ACH, Air Change Rate) on huomattavasti merkittävämpi ero kuin lämpimän käyttöveden kulutuksella (m_dot_dhw, Massflow of Domestic Hot Water). (30) Kuva 21 - Muuttujien vaikutus kuvattuna tavoitteen mukaisen osajoukon ja tämän osajoukon ulkopuolisten arvojen eroavaisuutena. (30) Kuvan 21 havaintoja voidaan perustella molemmille tarkastelluille muuttujille. Ilmanvaihdon suuruus vaikuttaa olennaisesti kokonaisenergiankulutukseen ja siten myös aurinkokeräinjärjestelmän suhteelliseen tuottoon. Toisaalta suurempi lämpimän käyttöveden kulutus johtaa parempaan aurinkokeräinjärjestelmän suhteelliseen tuottoon, koska kesällä sen tuotto riittää kattamaan koko energiankulutuksen, jolloin lisääntynyt kulutus nostaa aurinkoenergian osuutta kokonaiskulutuksen kattamisessa. Koska lämpimän käyttöveden kulutuksen osajoukkojen todennäköisyydet eivät eroa suuresti toisistaan, voidaan päätellä, ettei tällä muuttujalla ole suurta merkitystä tarkasteltuun tavoitteeseen. (30) 39

47 Kuva 22 - Herkkyys- ja epävarmuusanalyyseille käytetty prosessi energiasimuloinnissa. (6) Kuvassa 22 on esitetty yksi tapa toteuttaa herkkyys- ja epävarmuusanalyysit energiasimuloinniprosessissa. Prosessissa on otettu huomioon aiemmin mainitut kolme erityyppistä epävarmuustekijäryhmää. Lisäksi prosessi on jaettu kolmeen vaiheeseen: esikäsittelyyn, simulointiin ja jälkikäsittelyyn. Esikäsittelyssä on määritelty simuloinnin lähtötiedot ja tarkasteltavat kohdefunktiot sekä muuttujille keskihajonnat kirjallisuuslähteistä ja niistä saadut todennäköisyysjakaumat (normaalijakauma). Tämän jälkeen on määritelty lähtöarvot simuloinneille tuottamalla 200 näytteen otos LHS-menetelmällä. Epävarmuusanalyysin tulokset on esitetty histogrammin ja tulosten odotusarvon ja varianssin avulla sovitetun normaalijakauman tiheysfunktion avulla. Lisäksi epävarmuusanalyysin tuloksia on esitetty NPP-kuvaajan avulla (Normal Probability Plot). Herkkyysanalyysin tulokset on saatu otannan tuloksista regressioanalyysin avulla, ja kunkin muuttujan herkkyys on esitetty pylväsdiagrammina (kuva 23). Kuva 23 - Herkkyysanalyysin tulokset seitsemälle energiasimuloinnissa käytetylle muuttujalle ja kahdelle eri suunnitteluratkaisuvaihtoehdolle. (6) 40

48 2.3. Suunnitteluratkaisujen tuottaminen Rakennusten energiasimuloinnin hyödyntämiseksi energiatehokkaita suunnitteluratkaisuja tuotettaessa on otettava huomioon suunnitteluvaihe, jossa päätöksiä ratkaisuista tehdään, sekä menetelmät, joilla suunnitteluratkaisuvaihtoehtoja tuotetaan ja arvioidaan. Kuten aiemmin todettiin, energiasimulointia käytetään nykyisellään pääasiassa tehtyjen suunnitelmien määräysten ja tavoitteiden täyttymisen varmistamiseen sekä järjestelmien mitoitustietojen tuottamiseen. Näin käytettyjen simulointiympäristöjen hyödyntäminen suunnitteluratkaisujen tuottamisessa ja niiden kehittämisessä tapahtuu usein yrityksen ja erehdyksen kautta ja on hyvin vaivalloista. Rakennuksen suorituskyvyn parantamiseen liittyvään päätöksentekoon ja suunnitteluratkaisujen tuottamiseen voidaan soveltaa erilaisia menetelmiä, joiden jaottelu voidaan tehdä monella tavalla. Mela ym. (36) ovat jaotelleet suunnitteluratkaisujen tuottamisen monitavoiteoptimointimenetelmiin ja suunnittelijan päätöksentekoa tukeviin interaktiivisiin menetelmiin (20). Miettinen ym. (37) sen sijaan luokittelevat interaktiiviset päätöksentekomenetelmät monitavoiteoptimoinnin alaluokaksi. Tässä työssä interaktiivisia päätöksentekomenetelmiä käsitellään vastaavanlaisena prosessina varsinaisen optimoinnin kanssa, mutta ne on kuitenkin luokituksellisesti erotettu toisistaan. Tämä johtuu etenkin siitä, että tässä työssä interaktiivisiin päätöksentekomenetelmiin on sisällytetty vahvasti visualisointeihin perustuvat menetelmät, joilla ei välttämättä ole matemaattista pohjaa eivätkä ne välttämättä perustu pelkästään optimaalisten ratkaisujen tarkasteluun ja siihen liittyvään päätöksentekoon. Monitavoiteoptimointiin liittyy myös olennaisena osana monikriteerinen päätöksenteko, joka on tuotetuista optimaalisista tuloksista valittavan ratkaisun määrittämistä ja siten voidaan luokitella osaksi tulosten jälkikäsittelyä eikä niinkään osaksi suunnitteluratkaisujen tuottoprosessia. Monitavoiteoptimoinnin ja monikriteerisen päätöksenteon ominaisuuksia yhdistelevissä interaktiivisissa päätöksentekomenetelmissä suunnitteluratkaisujen tuottoprosessia ohjaa optimointialgoritmin sijaan päätöksentekijä, joka voi olla myös kokonainen suunnitteluryhmä. Monitavoiteoptimoinnista voidaan puhua tavoitteiden määrästä riippuen suunnitteluratkaisujen tuottoprosessin ja siihen liittyvän päätöksenteon lähes täysimääräisenä tai osittaisena automatisoimisena. Päätöksentekoa tukevat interaktiiviset menetelmät huomioivat paremmin suunnittelijan preferenssit ja toimivat eräänlaisena assistenttina suunnitteluratkaisuiden tuottoprosessissa. Molemmissa menetelmissä tulee ottaa huomioon tuotettujen suunnitteluratkaisuiden toteutettavuus ja muut subjektiivisesti tarkasteltavat ominaisuudet ja rajoitukset. Hopfe n (6) tekemän eri alojen suunnittelijoille suunnatun kyselytutkimuksen mukaan varsinaista optimointia huomattavasti tärkeämmäksi kehityskohteeksi suunnitteluratkai- 41

49 sujen tuottamisessa energiasimuloinnilla osoittautui herkkyys- ja epävarmuusanalyysit huomioon ottavien sekä suunnittelua ohjaavien päätöksentekomenetelmien integroiminen suunnitteluprosessiin. Lisäksi kehityskohteena suunnitteluprosessissa nähtiin suunnittelualojen välisen kommunikoinnin tukeminen sekä suunnitteluratkaisuja tuottavan ohjelmistoympäristön kyky ohjata suunnitteluprosessia. Tässä luvussa on käsitelty monitavoiteoptimointia ja sen tulosten käsittelyyn liittyviä monikriteerisiä päätöksentekomenetelmiä sekä interaktiivisia päätöksentekomenetelmiä Monitavoiteoptimointi Optimointiongelman yleinen esitysmuoto on jossa on päätösmuuttujan tai päätösmuuttajat sisältävä päätösvektori, on kohdefunktio, on epäyhtälörajoitukset ja on yhtälörajoitukset. Optimointiongelma voi olla rajoitteellinen tai rajoitukseton. Rakennusten energiatehokkuuden optimointi on rajoitteellista optimointia, jossa muuttujien arvojen rajoitusten lisäksi valintaan vaikuttavat subjektiivisesti määriteltävät rajoitukset. (6) Optimointiongelman ratkaisussa tavoitteena on erilaisia optimointitekniikoita hyödyntäen tarkastella ennalta määriteltyjä kohdefunktioita systemaattisesti niihin liittyvien päätösmuuttujien suhteen. Kohdefunktiot ovat laskennallisesti määriteltävissä olevia tavoitteita, kuten energiankulutus tai niistä aiheutuneet päästöt. Kohdefunktio voi olla päätösmuuttujien suhteen joka lineaarinen tai epälineaarinen, mikä myös usein määrää käytettävän optimointitekniikan. Puhuttaessa monitavoiteoptimoinnista kohdefunktioita on useita. (6) Kohdefunktion luonteesta riippuen käytetyn optimointimenetelmän ratkaisu voi olla globaali, eli kohdefunktion absoluuttisesti suurin tai pienen arvo riippuen siitä, onko optimoinnin tavoitteena maksimoida vai minimoida kohdefunktion arvo. Optimointimenetelmä voi myös löytää lokaaleja optimeja, joissa kohdefunktio saa pienimmän tai suurimman arvon kyseisessä ympäristössä tai alueessa, mutta ei ole optimaalinen koko kohdefunktion arvoalueella. (6) 42

50 Monitavoiteoptimointiongelma on muotoa jossa, on kohdefunktioiden muodostama vektori ja on päätösvektoreiden mahdollinen osajoukko koko päätösmuuttuja-avaruutta kuvaavasta joukosta, ja se sisältää yhtälörajoitukset. (38) Päätösmuuttujat määräävät kohdefunktion arvon ja ne voivat olla diskreettejä tai jatkuvia. Päätösmuuttujia voi olla useita ja ne voivat kuvata käytettävissä olevaa resurssia tai jonkin toiminnon aktiivisuutta. Päätösmuuttujia ja niiden rajoituksia määritettäessä on otettava huomioon, että ne kuvaavat kaikkia käytettävissä olevia vaihtoehtoja, joilla voidaan vaikuttaa kohdefunktion arvoon. Päätösmuuttujan tai niiden joukon muodostamaa ratkaisua kuvaava päätösvektori voi olla dominoiva muihin ratkaisua kuvaaviin päätösvektoreihin nähden jos kyseinen päätösvektori antaa kaikilla kohdefunktiolla vähintään saman ratkaisun ja vähintään yhdellä kohdefunktiolla paremman ratkaisun kuin päätösvektorit. (6) Monitavoiteoptimoinnissa kohdefunktioiden ratkaisuja voidaan vertailla niiden dominoinnin perusteella. Sellaista päätösvektoreiden joukkoa, jota ei dominoida, kutsutaan Pareto-optimaaliseksi joukoksi. Pareto-optimaalisen joukon vertailua ja siihen liittyviä metelmiä ja päätöksentekoa on selvitetty myöhemmin tässä luvussa. Paretooptimaalisuuteen liittyen käytetään myös termiä trade-off, joka kuvaa Paretooptimaalisen ratkaisun valinnassa tehtäviä kompromisseja kohdefunktioiden kesken (6). Kohdefunktioiden kannalta Pareto-optimaalinen ratkaisu ei kuitenkaan välttämättä ole rakennusten suunnitteluratkaisujen kokonaistavoitteiden kannalta oikea vaihtoehto, vaan valintaan liittyy myös vaikeammin määriteltävissä olevia muuttujia, kuten muuntojoustavuus, toiminnallisuus ja tuottavuus, joiden paremmuutta ei pystytä välttämättä numeerisesti käsittelemään. Lisäksi suunnitteluratkaisun tavoitteet voivat olla toistensa kanssa ristiriidassa. Tämä pitää usein paikkansa esimerkiksi energiankulutuksen ja lämpöviihtyvyyden osalta. Kuten aiemmin tässä työssä on esitetty, rakennusten energiatehokkuuden optimoinnissa asetettuihin kohdefunktioihin vaikuttavat päätösmuuttujat ovat käytännössä arkkitehtonisia, rakenteellisia sekä taloteknisiin järjestelmiin ja niiden toimintaan liittyviä. Rakennuksen pohjaratkaisuun, massoitteluun ja suuntaukseen liittyviä energiatehokkuuteen, lämpöviihtyvyyteen ja käytettävyyteen oleellisesti vaikuttavia muuttujia on lukuisia ja niiden onnistunut määrittäminen on alkuvaiheen suunnittelussa energiatehokkuuden kannalta määräävä tekijä. Arkkitehtonisten muuttujien optimoinnin lisäksi talotek- 43

51 nisten järjestelmien konseptien ja niiden ohjauksen optimointia sekä useiden arviointikriteerien samanaikaista soveltamista on myös tutkittu (6) Monikriteeriset päätöksentekomenetelmät Pareto-rintama, eli Pareto-optimaalisten ratkaisujen joukko, on siis ei-dominoitujen ratkaisujen joukko kahden tai useamman kohdefunktion muodostamassa avaruudessa. Yleensä monitavoiteoptimoinnin tuloksena saadaan joukko Pareto-optimaalisia ratkaisuja, joiden keskinäistä paremmuutta ei voi yksikäsitteisesti määrittää. Tämän ongelman ratkaisemiseen on useita lähestymistapoja, joita käytetään eri konteksteissa. Yksi lähestymistapa on erilaiset monikriteeriset päätöksentekomenetelmät, jotka voidaan jakaa kolmeen pääryhmään (39): Preferenssittömät menetelmät A priori -menetelmät A posteriori -menetelmät Näissä menetelmissä päätöksentekijän rooli prosessissa on selkeästi pienempi kuin myöhemmin esiteltävissä interaktiivisissa päätöksentekomenetelmissä. Päätöksentekoon liittyvät preferenssit voidaan määrittää ennen ratkaisujen tuottoprosessia, sen jälkeen tai päätöksentekoon liittyvät määreet voivat olla päätöksentekijästä riippumattomia. (39) Joskus monitavoiteoptimointiongelma voidaan vain muuntaa yhden tavoitteen optimointiongelmaksi siten, että ratkaisujen optimaalisuus voidaan kuitenkin taata riittävällä tarkkuudella. Näin muodostettua optimointiongelmaa kutsutaan skalarisoiduksi optimointiongelmaksi, ja se voidaan ratkaista yhden tavoitteen optimoimiseen tarkoitetulla menetelmällä. (6,39) Yllä esitettyjen luokitusten ulkopuolelle voidaan jättää yleisesti käytetyt painotukseen perustuvat päätöksentekomenetelmät (39). Painotukseen perustuvissa menetelmissä päätöksentekijällä oletetaan olevan hyvä käsitys ja tiedot päätöksenteon kohteena olevasta asiasta. Päätöksentekijä suorittaa tulosten sijoittamisen paremmuusjärjestykseen painottamalla hänen valintansa mukaisia tavoitteita parhaan mahdollisen ratkaisun löytämiseksi. Yksinkertaisimmillaan painotukseen perustuva päätöksentekomenetelmä on asetettujen tavoitteiden painotettu keskiarvo, mutta se soveltuu vain tavoitteille, joilla on sama yksikkö. Rakennusten suorituskykyä mittaaviin simulointeihin usein sovellettu painotusmenetelmä on AHP (Analytical Hierarchy Process). (6) AHP:ssä päätöksentekijä määrittää päätökseen vaikuttaville kriteereille painoarvot niiden tärkeyden perusteella. Tämän jälkeen jokaista vaihtoehtoa vertaillaan pareittain jokaisen kriteerin kanssa ja jokainen vaihtoehto saa näiden vertailujen perusteella numeerisen arvon kuvaamaan sen paremmuutta (kuva 24). Yksi AHP:n tärkeimmistä ominai- 44

52 suuksista on juuri päätöksentekijän arvostelukyvyn huomioonottaminen, mutta sen avulla ei voida ottaa huomioon esimerkiksi epävarmuustekijöitä. Kuva 24 - AHP-päätöksentekomenetelmän yksinkertainen hierarkiarakenne. Painotukseen perustuvat päätöksentekomenetelmät eivät ota kantaa vaihtoehtojen tuottamiseen vaan ainoastaan tuotettujen tulosten paremmuuden määrittämiseen. Periaatteessa sillä voitaisiin myös ohjata suunnitteluratkaisujen tuottamista määrittämällä paras suunta ja tarkentamalla päätösmuuttujien määrityksiä tässä suunnassa. Tämän tyyppiset menetelmät ovat soveltuvia vain monitavoiteoptimoinnin tulosten käsittelyyn ja siihen liittyvään päätöksentekoon. Mela ym. (36) ovat vertailleet kuutta monikriteeriseen päätöksentekoon kehitettyä menetelmää rakennuksen suunnitteluratkaisun määrittämisessä. Vertailussa oli tuotettu monitavoiteoptimointimenetelmällä joukko Pareto-optimaalisia tuloksia, joihin sovellettiin valittuja päätöksentekomenetelmiä. Menetelmien erilaisista ominaisuuksista johtuen vertailu ei ollut täysin yhdenmukaista, mutta selkeitä ominaispiirteitä menetelmillä valikoiduille ratkaisuille voitiin havaita. Vertailun tuloksena ei voitu kuitenkaan todeta minkään menetelmän olevan muita parempi, mutta havaittujen rajoituksien ja vajaavaisuuksien perusteella voidaan tehdä johtopäätöksiä niiden soveltamisesta ja niiden käytössä huomioitavista asioista. Seuraavaksi on esitelty lyhyesti monikriiteristen päätöksentekomenetelmien luokitteluja yleisesti Preferenssittömät menetelmät Preferenssittömissä menetelmissä päätöksentekijää ei oteta lainkaan huomioon ratkaisua määritettäessä. Koska päätöksentekijän preferensseihin liittyvä tieto puuttuu, on käytettävä jonkinlaista yksinkertaista menetelmää kompromissiratkaisun löytämiseksi. Näitä menetelmiä voidaan käyttää, kun päätöksentekijää ei ole käytettävissä tai päätöksentekijällä ei ole ratkaisun suhteen odotuksia eikä ratkaisulla ole suurta painoarvoa. Preferenssittömän menetelmät nimi on helposti kyseenalaistettavissa, sillä vaikka päätöksentekoon ei osallistuisikaan ihmistä vaan se olisi automatisoitu, on automatisoidulle päätöksentekoprosessillekin aina määritelty jonkinlaiset preferenssit. (39) 45

53 Yksi käyttötarkoitus preferenssittömille menetelmille on lähtöpisteen määrittäminen interaktiivisia menetelmiä käytettäessä. (39) Preferenssittömästi määritellyn alkupisteen käytöstä voi olla hyötyä interaktiivisten menetelmien oppimisprosessissa, koska päätöksentekijä ei pääse aloittamaan päätöksentekoprosessia haluamastaan paikasta, vaan on pakotettu tarkastelemaan suurempaa ratkaisujoukkoa. Yksinkertainen preferenssitön menetelmä on valita ratkaisu keskeltä Pareto-rintamaa (39) A priori -menetelmät A priori on latinaa ja tarkoittaa ennen. A priori -menetelmissä päätös suotuisasta lopputuloksesta täytyy tehdä ennen kuin ratkaisun etsiminen aloitetaan. Tämä vaatii päätöksentekijältä tietämystä ja kokemusta tavoitteiden asettelusta ja mahdollisista ratkaisujoukoista tarkasteltavan ongelman viitekehyksessä. Tämä onkin a priori - menetelmissä hyvin ongelmallinen asia, ja se saattaa hyvin usein johtaa interaktiivisten päätöksentekomenetelmien hyödyntämiseen näiden menetelmien sijaan. (39) A priori menetelmissä kohdefunktioille on asetettava jonkinlaiset paino- tai raja-arvot. Yksi tällainen menetelmä on tavoiteohjelmointi (goal programming), jossa jokaiselle kohdefunktiolle määritetään tavoitearvo, jonka jälkeen näiden tavoitearvojen poikkeamat pyritään minimoimaan. (6) Tavoiteohjelmointi on hyvin laajasti käytetty ja suosittu menetelmä, mikä johtuu sen käytön helppoudesta ja perusperiaatteiden ymmärrettävyydestä. (39) A priori menetelmät eivät sovellu kovinkaan hyvin rakennusten suunnittelun tukena käytettäviin prosesseihin varsinkaan uudenlaisia ratkaisuja etsittäessä, koska tietoa saavutettavissa olevista ratkaisuista ei välttämättä ole tai se perustuu arvailuun. Erityisen hankalaksi näiden menetelmien käyttö tulisi usean osapuolen näkemyksiin perustuvassa päätöksenteossa A posteriori -menetelmät A posteriori tarkoittaa taasen jälkeen. Toisin sanoen, ensin tuotetaan Paretooptimaalinen ratkaisujoukko tai sitä mahdollisimman hyvin kuvaava osajoukko, ja löydettyjen ratkaisujen pohjalta tehdään päätöksiä valittavasta ratkaisusta. Menetelmissä oletetaan, että päätöksentekijä pystyy tekemään päätöksen hänen preferenssiensä mukaan parhaasta ratkaisusta, kun hän on ensin nähnyt kokonaiskuvan kaikista mahdollisista ratkaisuista tai niitä hyvin kuvaavasta osajoukosta. Tämä joudutaan tosin tekemään sillä kustannuksella, että prosessista tulee laskennallisesti raskaampi ja sopivan vaihtoehdon määrittäminen suuresta ratkaisujoukosta voi olla hankalaa. Näihin menetelmiin liittyykin olennaisena osana tulosten esittämiseen liittyvät haasteet. (39) Interaktiiviset päätöksentekomenetelmät Interaktiivisissa päätöksentekomenetelmissä päätöksentekijällä annetaan tietoa saavutetuista tavoitteista ja tarkasteltavien muuttujien vaikutuksesta niihin. Laskennan aikana päätöksentekijälle annetaan mahdollisuus esittää preferenssinsä esitettyjen tulosten va- 46

54 lossa saavuttaakseen sellaisen ratkaisujoukon, joka ovat hänen tietämyksensä ja kokemuksensa mukainen ja nähdäkseen, minkälaiset ratkaisut ovat saavutettavissa. Näin päätöksentekijä ohjaa päätöksentekoprosessia ja vain osa ratkaisuista tarvitsee tuottaa ja arvioida. Useimmiten nämä ratkaisut ovat Pareto-optimaalisia, mutta mikäli jotkin ongelman ratkaisemiseen liittyvät tavoitteet ovat tarkasteltavissa vain subjektiivisesti, voidaan päätöksentekoon ottaa mukaan myös muita ratkaisuja. (37,39) Päätöksentekijän preferenssit eivät voi olla eikä niiden tarvitse olla absoluuttisen oikeita ennen päätöksentekoprosessin alkamista, vaan hän voi itsekin oppia prosessin aikana ratkaisujen mahdollisuuksista ja rajoituksista. Interaktiivinen päätöksenteko voidaankin jakaa oppimisvaiheeseen ja päätöksentekovaiheeseen. Oppimisvaiheessa saavutetaan ymmärrys tarkasteltavasta ongelmasta ja voidaan päätyä saavutetun tiedon perusteella ratkaisujoukkoon, josta päätöksentekovaiheessa valitaan haluttu ratkaisu. Näiden vaiheiden välillä voidaan myös liikkua iteratiivisesti. Interaktiivisilla menetelmillä voidaan myös päätyä lopputulokseen, jossa jäljelle jää pieni joukko ratkaisuja, joita voidaan arvioita esiintyvien epävarmuustekijöiden, epätarkkuuden ja toteutettavuuden perusteella. (37) Voidaan siis sanoa, että interaktiivinen päätöksentekomenetelmä on oppimisprosessi, jossa päätöksentekijä saa vahvistusta havainnoilleen. Tällaisissa menetelmissä voi olla mielekkäämpää puhua psykologisesta konvergenssista kuin matemaattisesta. Interaktiivisilla päätöksentekomenetelmillä ratkaisujen arviointiin tarvittavan kapasiteetin sekä laskentakapasiteetin määrää voidaan vähentää. Interaktiivinen päätöksentekoprosessi päättyy joko päätöksentekijän tahdosta, kun hänen mielestään soveltuva ratkaisu on löytynyt, lopetuskriteerin täyttyessä tai kun todetaan, ettei ratkaisua voida löytää (37). Interaktiivisia päätöksentekomenetelmiä voidaan myös käyttää hyväksi vaiheittaisessa suunnittelussa, jolloin päätöksentekoprosessi keskeytetään tarkasteltavan vaiheen kannalta sopivan ratkaisun löytyessä. Prosessin edetessä sekä tiedon lisääntyessä seuraavassa vaiheessa päätöksentekoa voidaan jatkaa perustellummin ja suunnitelmia tarkentaa. Interaktiiviset päätöksentekomenetelmät tarjoavat ratkaisun a priori ja a posteriori - menetelmien heikkouksiin. Päätöksentekijällä ei tarvitse tarkkaa tietoa tarkasteltavasta ongelmasta ja sen ratkaisuista, vaan iteratiivisuuden mahdollistaman oppimisprosessin ansiosta päätöksentekijä saa tietoa ongelman rajoituksista ja mahdollisuuksista. Laskennan ja siten myös tarkasteltavien tulosten määrä pienenee, kun vain osa ratkaisuista tarvitsee tuottaa päätöksentekijän määrittäessä mielenkiintoisimmat ratkaisujen arvoalueet. Lisäksi vertailtavana on kerrallaan huomattavasti suppeampi määrä ratkaisuja, mikä helpottaa nopeaa ja intuitiivista päätöksentekoa. Päätöksentekijän preferenssien määrittelemiseen ja interaktiivisen päätöksenteon ohjaamiseen käytettävät menetelmät voidaan jakaa kolmeen päätyyppiin: trade-off 47

55 menetelmiin, referenssipistemenetelmiin ja luokitteluperusteisiin menetelmiin. Myös muunlaisia menetelmiä on olemassa; voidaan esimerkiksi painotuksia käyttäen tuottaa Pareto-optimaalinen osajoukko, josta valittavan ratkaisun läheisyyteen keskitetään seuraavan Pareto-optimaalisen osajoukon etsintä. (37) Trade-off menetelmissä Pareto-optimaalisuuden määritelmän mukaisesti tehdään kompromisseja tavoitteiden saavuttamisen suhteen luopumalla jonkin tavoitteen mukaisista hyödyistä samalla saavuttaen hyötyä jonkin toisen tavoitteen suhteen. Näitä kompromisseja voidaan mitata objektiivisesti tai päätöksentekijän preferenssit huomioon ottaen subjektiivisesti. Näissä menetelmissä kohdefunktioiden täytyy olla jatkuvia ja differentioituvia, joten ne eivät sovellu energiasimuloinnin sovelluksiin. (37) Referenssipistemenetelmissä päätöksentekijä määrittelee referenssipisteet kohdefunktioille. Nämä referenssipisteet ovat tavoitetasoja, eli kohdefunktioiden arvoja, joita päätöksentekijä haluaisi saavuttaa, sekä varaustasoja, eli kohdefunktioiden arvoja, joita päätöksentekijän mukaan täytyy saavuttaa. Menetelmissä prosessi aloitetaan laskemalla asetettuihin tasoihin nähden neutraali ratkaisu. Tämän jälkeen menetelmä maksimoi ns. tavoitefunktion, joka on epälineaarinen yhdistelmä kohdefunktioista, jota approksimoidaan kohdefunktioiden arvojoukkojen sekä asetettujen tavoite- ja varaustasojen perusteella. Menetelmässä päätöksentekijä voi muokata valitsemiaan tasoja ja hänen oletetaan tutkivan ratkaisujoukkoa ja oppivan siitä. (37) Luokitteluperusteiset menetelmät perustuvat myös ratkaisujen Pareto-optimaalisuuteen, mutta niissä päätöksentekijä kertoo, miten hän haluaa kohdefunktioita käsiteltävän. Tuotettu Pareto-optimaalisten ratkaisujen joukko esitellään päätöksentekijälle ja häneltä kysytään perusteita kohdefunktioiden arvojen muutostarpeille. Luokitteluperusteiset menetelmät pohjautuvat voimakkaasti subjektiivisuuteen ja päätöksentekijän rooliin. Menetelmät eroavat toisistaan erilaisten luokitusmahdollisuuksien määrän, niille annettavan tiedon sekä näistä seuraavan uuden Pareto-optimaalisen ratkaisujoukon tuottamisen suhteen. (37) Referenssipistemenetelmien ja luokitteluperusteisten menetelmien erona on niiden vapaus tuottaa erilaisia ratkaisuja. Referenssipistemenetelmissä asetetut määritykset ovat vapaammin valittavissa jolloin erityyppisten ratkaisujen tutkiminen niiden paremmuudesta huolimatta mahdollistuu. Luokitteluperusteisissa menetelmissä päätöksentekijä voi valita suoraan kohdefunktiot, joita halutaan parantaa, ja asettaa muiden kohdefunktioiden määrityksiin lievennyksiä. Luokitteluperusteisten menetelmien määrityksen ovat luonteeltaan hyvin rajoittavia. Määritysten tekeminen saattaa olennaisesti vaikuttaa saavutettaviin kohdefunktioiden ratkaisujoukkojen arvoalueisiin. Esimerkkejä interaktiivisista päätöksentekomenetelmistä ovat NIMBUS, ATC sekä Pareto Navigator. On kuitenkin huomioitava, ettei kehittyneen päätöksentekomenetelmän 48

56 käyttö ole aina perusteltua, vaan muutaman - erityisesti kahden tai kolmen - kohdefunktion optimointiongelman päätöksenteko voi olla helpommin toteutettavissa erilaisten visualisointien avulla (36). Kohdefunktioiden määrän kasvaessa tarve päätöksentekomenetelmien käytölle tulee ilmeiseksi. Interaktiivisen visualisointiympäristön käyttöä päätöksenteon tukena käsitellään tässä työssä varsinaisten päätöksentekomenetelmien lisäksi. NIMBUS NIMBUS (40) on Jyväskylän yliopistossa kehitetty interaktiivinen luokitteluperusteinen päätöksentekomenetelmä, jossa käytetään myös referenssipisteitä. Menetelmässä käytetään useaa samoja päätöksentekijän preferenssejä käyttävää skalarisoivaa funktiota, joita voidaan hyödyntää samanaikaisesti. Menetelmää voidaan käyttää ratkaisemaan sekä lineaarisia että epälineaarisia ongelmia, jotka voivat olla jatkuvia tai diskreettejä. Menetelmässä käytetyt luokittelut ovat: Kohdefunktiot, joiden ratkaisuarvoja halutaan parantaa halutaan parantaa tiettyyn tavoitetasoon saakka voidaan pitää hyväksyttävinä nykyisessä ratkaisussa voidaan heikentää voidaan vapaasti muuttaa Päätöksentekijä kertoo menetelmälle luokitteluissa käytettävät tavoitetasot ja raja-arvot. Toisin kuin painotuksia käyttävät menetelmät, joissa painottaminen on suhteellisen vaikeasti ymmärrettävissä esimerkiksi visualisoinneissa, luokittelujen ja referenssipisteiden määrittely on suhteellisen yksinkertainen menettely, jossa ollaan tekemisissä haluttujen ratkaisuarvojen kanssa ja käsitelty tieto ja rajoitukset ovat helposti ymmärrettävissä. Menetelmässä on tehtävä seuraavat oletukset: 1. käytettävissä on globaali arvio Paretooptimaalisten ratkaisujen arvojoukon rajoista, 2. on tiedettävä jokaiselle kohdefunktiolle erikseen määritelty toteuttamiskelpoinen minimi. Tällä menetelmällä saatujen ratkaisujen Pareto-optimaalisuus voidaan taata. Menetelmää on sovellettu menestyksekkäästi ohjaustapojen, muotoilun ja prosessisuunnittelun optimaalisten ratkaisujen tuottamisessa (37). Analytical Target Cascading Analytical Target Cascading eli ATC (41) on hierarkinen suunnitteluratkaisun optimointiin liittyvä menetelmä, jota voidaan käyttää esimerkiksi vyöhykkeiden ja järjestelmien osaoptimointiin ja vaikeiden teknisten systeemien suunnittelutavoitteiden saavuttamiseen suunnittelun alkuvaiheessa. Sen lähtökohtana on, että tarkasteltavan systeemin suorituskyky voidaan määritellä analyyttisesti sen muuttujien perusteella. Lisäksi simu- 49

57 laatiopohjainen suunnitteluongelma voidaan jakaa osaongelmiksi, joille voidaan määritellä ongelmien jaottelun rakennetta kuvaava hierarkia. Tällöin on mahdollista käyttää kullekin osaongelmalle ja niiden yhdistelmille sopivaa menetelmää kyseisen ongelman ratkaisemiseksi. Oikeanlainen ongelmien jaottelun toteuttaminen onkin kriittinen osa tätä menetelmää. Menetelmän käyttäminen edellyttää myös osaongelmien hierarkisen rakenteen muodostamista ja niiden linkittämistä toisiinsa sekä sopivien ratkaisuja tuottavien menetelmien soveltamista kuhunkin osaongelmaan. Kokonaisuutta hallinnoimaan tarvitaan lisäksi työkaluja prosessin analysointiin ja ohjaamiseen. Käytännössä osaongelmien ratkaisuun voidaan käyttää optimointialgoritmeja tai interaktiivisia päätöksentekomenetelmiä, mutta osaongelmien ratkaisuihin ja kokonaisprosessiin liittyviin valintoihin vaaditaan interaktiivista päätöksentekoa. Mallin tarkoituksena on säilyttää eri päätöksentekovaiheissa tehtyjen valintojen yhtenäisyys ja johdonmukaisuus. Mallissa energiasimulointiprosessin jaottelu yksittäisten tavoitteiden perusteella hierarkkisiin tasoihin on tehty, jotta linkitysten avulla saavutettaisiin keskinäinen vuorovaikutus osaongelmien välillä. Hierarkkisten tasojen molempiin suuntiin toimivan iteratiivisen prosessin avulla voidaan varmistua siitä, että löydetään keskenään yhteensopivat optimaaliset arvot ja eri tasojen tavoitteet täyttyvät. Pareto Navigator Pareto Navigator (42) on erityisesti laskennallisesti haastavien käytännön ongelmien - kuten erilaisten simulointien - päätöksentekoon sopiva menetelmä. Menetelmän perusperiaatteena on kehittää suhteellisen pienen tuotetun Pareto-optimaalisen ratkaisujoukon avulla approksimoitu Pareto-optimaalinen ratkaisujoukko, jossa voidaan liikkua reaaliaikaisesti hyödyntämällä parametrista ohjelmointia (parametric programming). Tämän yksinkertaistus tehdään monitahokkaisen approksimoinnin (polyhedral approximation) avulla. Todellisen ratkaisujoukon tuottamiseen käytettävään menetelmään ei ole otettu kantaa, vaan menetelmän on haluttu esittää yleispätevänä tämän asian suhteen. Menetelmän tavoitteena on antaa päätöksentekijälle käsitys käsiteltävän kokonaisuuden mahdollisuuksista ja rajoituksista sekä oppia sen käyttäytymisestä. Menetelmän nimestä huolimatta se ei rajoitu ainoastaan Pareto-optimaalisten ratkaisujen tarkastelemiseen, mutta se on erityisen hyödyllinen prosesseissa, joissa tavoitteiden suuresta määrästä johtuen Pareto-rintamaa ei voida visualisoida järkevästi. Approksimoidussa ratkaisujoukossa liikkuminen mahdollistaa siis kohdefunktioiden arvojen muutosten havainnoimisen reaaliaikaisesti. Mikäli päätöksentekijä löytää mielenkiintoisen yksittäisen ratkaisun tai ratkaisujen osajoukon, hänelle esitetään vastaava ratkaisu tai niiden joukko todellisessa Pareto-optimaalisessa ratkaisujoukossa. Vastaavuudella tarkoitetaan tässä jossain mielessä lähintä todellista ratkaisua approksimoituun 50

58 ratkaisuun verrattuna. Mikäli approksimaatio ei ole riittävän tarkka, eli approksimoitu ja todellinen ratkaisu ovat liian kaukana toisistaan, päätöksentekijä voi pyytää approksimaation tarkentamista globaalisti tai lokaalisti. Tämä tarkoittaa käytännössä todellisten lisäratkaisujen tuottamista rajoituksettomasti tai rajoitteellisesti. Approksimoidussa ratkaisujoukossa liikkuminen tapahtuu käytännössä määrittämällä etenemiselle haluttu suunta ja nopeus. Suunta määräytyy päätöksentekijän määrittämillä aiemmin esitellyillä referenssipisteillä, luokitteluilla tai molemmilla. Erityisesti luokitteluita käytettäessä on huomioitava, että luokitukset voivat rajoittaa olennaisesti tarkasteluun päätyviä tuloksia. Referenssipisteiden ja luokittelujen määrittämiseen vaikuttavat ensisijaisesti päätöksentekijän preferenssit ja päätöksentekoprosessin aikana opittu tieto tarkasteltavasta ongelmasta. Liikkumisen nopeus on myös päätöksentekijän määritettävissä. Nopeuden säätäminen on käytännössä monitahokkaista approksimaatiota tuottavan lineaarisen parametrisen ohjelmoinnin ongelman ratkaisemista ja sen saavuttamien diskreettien arvojen väleille määriteltyjen askelten pituuden muokkaamista. Pareto Navigator -menetelmää käytettäessä tulosten visualisoinnin ja prosessin ohjaamisen käyttöliittymä on erityisen tärkeässä osassa. Visualisointien täytyy olla samaan aikaan informatiivisia ja intuitiivisia, koska niiden reaaliaikainen muuttuminen tuottaa valtavan määrän approksimoituja tuloksia. Lisäksi liikkumisen suunnan ja nopeuden määrittäminen sekä niiden muuttaminen ja tarkentaminen täytyy olla helposti tehtävissä. Mahdollisuus tuottaa alustava - suppea mutta kuvaava - ratkaisujoukko ennen päätöksentekijän osallistumista prosessiin on etuna erityisesti kokonaisen suunnitteluryhmän toimiessa päätöksentekijänä, koska tarvittavat esivalmistelut ennen varsinaista päätöksentekoprosessia voidaan tehdä ilman päätöksentekijää. Pareto Navigator -menetelmässä päätösmuuttujien arvoja ei voida huomioida jatkuvasti päätöksentekoprosessin aikana, mikä on erityisesti rakennusten suunnitteluratkaisujen soveltamista ajatellen merkittävä vajavaisuus. Monitahokkainen approksimointi ei pysty huomioimaan päätösmuuttujien arvoja, jolloin liikkuminen approksimoidussa ratkaisujoukossa tapahtuu ainoastaan kohdefunktioiden arvojen perusteella. Päätösmuuttujat voidaan kuitenkin saada tarkasteluun aina kun tehdään valinta kiinnostavasta approksimoidusta ratkaisusta tai niiden joukosta, ja etsitään vastaava ratkaisu todellisesta ratkaisujoukosta. Tämä vajavaisuus on pakko hyväksyä, mikäli halutaan hyödyntää reaaliaikaista liikkumista approksimoidussa ratkaisujoukossa. Interaktiivinen visualisointiympäristö Monitavoiteoptimoinnissa tehty kehitystyö on ollut pääasiassa optimointialgoritmien ja päätöksentekomenetelmien tuottamista ja niiden parantelemista. Sen sijaan tulosten järkevään esittämiseen ja erilaisten visualisointitapojen käyttöön ei ole näiden asioiden yhteydessä paneuduttu samalla antaumuksella. Erilaisia monikriteerisen päätöksenteon 51

59 ongelmien tulosten esittämiseen ja vaihtoehtojen vertailuun käytettäviä visualisointeja on tutkittu (43-46), mutta minkäänlaista konsensusta tämän asian suhteen ei tunnu löytyvän, vaan todetaan erilaisten visualisointien käytön olevan tapauskohtaisesti harkittava asia (44,46). Erityisesti interaktiivisessa päätöksenteossa visualisointitavat ja erityisesti näiden visualisointitapojen ja päätöksenteon ohjaamisen muodostama käyttöliittymä ovat olennaisessa osassa ja vaikuttavat merkittävästi päätöksentekijän mahdollisuuksiin ja valmiuksiin saavuttaa hyviä ratkaisuja. Liu ym. (47) ovat kehittäneet interaktiiviseen päätöksentekoon tarkoitetun visualisointiympäristön (kuva 25). Ympäristö koostuu useasta alueesta, jotka ovat määritelty tietyn käyttötarkoituksen perusteella ja sisältävät erilaisia visualisointitapoja. Alue A on tarkoitettu aikaisempien toteuttamiskelpoisten ratkaisujen varastoimiseen. Päätöksentekijä pystyy liikkumaan päätöksentekoprosessin iteraatioiden välillä ja vertailemaan saavutettuja ratkaisuja ja tuloksia. Alue B sisältää visualisoinnit nykyiselle tarkastellulle ratkaisulle sekä nykyiselle optimaaliselle ratkaisulle. Alue C on yhdistelmä useasta erilaisesta visualisointitavasta, jotka ovat linkitetty toisiinsa siten, että ratkaisun korostuu kaikissa visualisoinneissa kun se valitaan missä tahansa tämän alueen visualisoinnissa. Tämä alue on tarkoitettu erityisesti päätöksentekoa tukevan tiedon esittämiseen. Alue D esittää päätöksentekijälle neljä ryhmää, jotka sisältävät nykyiseen tarkasteltuun ratkaisuun verrattuna samankaltaisia ratkaisuja, joista voidaan valitaan edettävä suunta. Alue E sisältää päätöksentekijän määrittämät tarkastelujen ulkopuolelle jätettävät ratkaisut, joiden avulla pyritään estämään samojen ratkaisujen syklinen esiintyminen iterointiprosessissa. Visualisointiympäristön avulla on määritelty onnistuneesti optimaalinen ratkaisu 382 Pareto-optimaalisen ratkaisun joukosta 20 iteraatiolla 13 minuutissa maa-alueiden arvioimiseen liittyneessä sovelluksessa. Kuva 25 - Interaktiiviseen päätöksentekoon tarkoitetun visualisointiympäristön prototyyppi. (47) 52

60 Rafiq (48) on kehittänyt rakennuksen suorituskyvyn optimointiin visualisointi- ja päätöksentekoympäristön, jonka avulla eri aloja edustavien osapuolten intresseille pyritään löytämään ratkaisu, joka on kaikkien hyväksyttävissä. Kehitetyssä menetelmässä yhdistetään geneettisen algoritmin käyttöä ratkaisuvaihtoehtojen tuottamisessa ja interaktiivista visualisointiympäristöä päätöksenteon tukena ja prosessin ohjaamisessa. Menetelmässä käytetty IVCGA-algoritmi (Interactive Visualization Clustering Genetic Algorithm) on kehitetty erityisesti päätöksentekijän interaktiivista osallistumista ajatellen. Algoritmin avulla ratkaisujoukkoa voidaan rajata interaktiivisesti ja tarkentaa ainoastaan tämän alueen puitteissa. Rajaaminen tapahtuu muuttujien arvojen rajoituksia muuttamalla koska tahansa prosessin aikana esimerkiksi piirtämällä hiiren kursorilla laatikoita rajaamaan visualisaatioiden avulla esitettyjä ratkaisujoukkoja (kuva 26). Menetelmän alkuvaiheessa eri osapuolet voivat itsenäisesti muista osapuolista riippumatta kehittää tuotettua ratkaisujoukkoa heidän tavoitteidensa ja preferenssiensä mukaiseen suuntaan kuitenkin siten, että osapuolet saavat myös tietoa heidän valintojensa vaikutuksista muiden osapuolten tavoitteisiin. Tämän jälkeen yksittäin määritellyt eri osapuolten mielestä parhaiten tavoitteet täyttävät ratkaisujoukkojen osajoukot yhdistetään siten, että osajoukkojen päällekkäisten alueiden muodostamasta alueesta tulee tarkasteltava ratkaisujoukko. Tämän ratkaisujoukon analysointiin tarjotaan Pareto-algoritmi, joka erittelee tuotettujen ja yhdistettyjen ratkaisujen joukosta vain Pareto-optimaaliset ratkaisut. Menetelmällä on myös demonstroitu arkkitehdin, rakennesuunnittelijan ja taloteknisen suunnittelijan yhteistyötä. Alkuvaiheessa tuotetuista 6200 ratkaisusta on eri osapuolten määrittelemien ratkaisujoukkojen osajoukkojen yhdistelmällä rajattu 1448 ratkaisua, ja näistä on Pareto-algoritmin avulla rajattu 147 ratkaisua. Työkaluja tai menetelmiä päätöksenteon tueksi tästä eteenpäin ei kuitenkaan tarjota. Kuva 26 - Alkuperäisen ratkaisujoukon rajaaminen ja uusi tarkasteltava ratkaisujoukko arkkitehdin tavoitteille. (48) 53

61 2.4. Energiasimuloinnin prosessointi Rakennuksen suunnitteluratkaisuja tuottava energiasimulointiprosessi asettaa erityisesti vaatimuksia simuloinnin prosessointimenetelmille sekä vaadittavalle laskentakapasiteetille. Perinteisellä energiasimuloinnin suoritustavalla, jossa simuloitavia vaihtoehtoja on korkeintaan muutamia, ei ole ollut tarvetta pohtia laskenta-aikoja eikä energiasimulointiohjelmiakaan ole välttämättä kehitetty suurta suunnitteluratkaisujoukkoa ja sen analysointia silmällä pitäen. Tässä työssä kehitettävän prosessin on ajateltu vaativan pilviperusteista laskentaa, jonka ominaisuuksia ja erityispiirteitä esitetään seuraavaksi. Lisäksi myöhemmin tässä työssä on tarkoitus demonstroida prosessissa käytettävän energiasimulointiohjelman suorituskykyä, kun laskenta toteutetaan pilvipalveluna Pilvilaskenta Pilvilaskennalla tarkoitetaan tietoverkon, yleensä käytännössä internetin, välityksellä kaikkialla verkon alueella käytössä olevia dynaamisesti skaalautuvia laskentaresursseja, joita voidaan ottaa käyttöön ja vapauttaa käytöstä hyvin pienillä hallintamenettelyillä. Resurssit voivat olla fyysisiä verkkoja, servereitä ja tiedon säilytyskapasiteettia mutta myös ohjelmistoja ja palveluja. Pilvilaskennalla on viisi keskeistä erityispiirrettä: palvelun tarpeenmukainen itsenäinen käyttäminen, laajat yhteysmahdollisuudet, resurssien tarpeenmukainen jakaminen ja yhdistäminen, nopea ja joustava resurssien varaaminen ja vapauttaminen sekä mitattavissa oleva resurssien käyttö. (49) Pilvilaskennalle on määritelty kolme eritasoista palvelumallia, jotka liittyvät fyysisten ja ohjelmistoihin liittyvien resurssien hyödyntämiseen. IaaS-malli (Infrastructure as a Service) tarjoaa mahdollisuuden verkkojen, prosessoinnin ja tiedon säilytyskapasiteetin käytön varaukseen. PaaS-malli (Platform as a Service) tarkoittaa palvelualustan ulkoistamista. Palvelualusta on kokonaisuus, joka on laajennettavissa uusilla sovelluksilla ja se on skaalattavissa käytön mukaan. SaaS-mallissa (Software as a Service) asiakas toimii ainoastaan ohjelmiston käyttäjänä ja palveluntarjoaja hoitaa myös ohjelmistot palvelimille sekä huolehtii niiden toiminnan varmistamisesta. (49) Lisäksi on olemassa neljä erilaista pilvityyppiä, jotka määräytyvät niiden käytön rajausten perusteella. Yksityinen pilvi on varattu tietyn organisaation käyttöön ja se voi olla kokonaan organisaation hallinnassa tai täysin ulkoistettu. Julkinen pilvi on kaikkien verkkoon liittyneiden vapaassa käytössä ja sitä hallinnoi palveluntuottaja. Yhteisöpilvi on usean organisaation yhteisen tavoitteen omaavan tietyn käyttäjäkunnan käytössä ja sitä voi hallinnoida yksi tai useampi organisaatio tai ulkopuolinen palveluntarjoaja. Hybridipilvi on jonkinlainen yhdistelmä edellisistä pilvityypeistä. (49) Pilvilaskenta ja palvelut tarjoavat mahdollisuuden dynaamiseen ja skaalautuvaan laskentaan, paikasta riippumattomaan toimintaan sekä ulkoistaa haastavat ja kalliit laitteis- 54

62 tohankinnat ja asennukset sekä niiden ylläpidon. Edelle mainittujen seikkojen tehokas toteuttaminen on mahdollista vain harvoille toimijoille, minkä takia valtaosalle toimijoista on tehokkaampaa ja kannattavampaa käyttää näihin asioihin erikoistuneita palveluntarjoajia. Perinteisesti laskentaa tehostamaan käytetyt rinnakkaislaskentamenetelmät ovat usein ad hoc tyyppisiä, tiettyyn toimintaympäristöön tuotettuja tekniikoita. Pilvilaskenta tuo tähän toimintakenttään uusia huomioon otettavia näkökulmia ja haasteita. Skaalautuvan ja joustavan pilvilaskennan tehokkaaseen suorittamiseen tarvitaan virtualisoitujen instanssien alustamista ja laskennan kulkua ohjaavaa prosessien ajoittamista sekä tiedonsiirtorajoitusten huomioonottamista. (50) Tiedonsiirto verkossa tuo myös mukanaan tietoturvariskin. Energiasimulointi vaatii hyvin yksityiskohtaista tietoa rakennuksesta ja sen tiloista, eikä näiden tietojen haluta välttämättä päätyvän vääriin käsiin. Pilvipalvelut mahdollistavat myös käytetyn ja tuotetun datan varmuuskopioinnin ulkopuolisille palvelimille. Tämä on hyvä tapa varmistaa kriittisen datan suojaaminen, mutta aiheuttaa myös tietoturvariskin ja edellyttää palveluntarjoajalta luotettavan toimijan mainetta. Mikäli laskenta on suunniteltu toteutettavaksi ainoastaan pilvipalveluna, on suunnittelijan toiminta käytännössä oman tietoverkkonsa, verkko-operaattorinsa ja palveluntarjoajan tietoverkon ja niiden vikaantumisten armoilla Pilvilaskenta energiasimuloinnissa Rakennusten onnistunut arkkitehtoninen ja tekninen suunnittelu vaativat lukemattomien vaihtoehtojen arvioimista sekä eri alojen asiantuntijoiden tietotaitoa ja kokemusta ohjaamaan suunnittelua kohti eri suunnitteluvaiheissa tehtäviä oikeanlaisia valintoja. Pilvilaskennan tarjoamat valtavat laskentaresurssit kohtuullistavat merkittävästi vaihtoehtojen arvioimisen vaatimaa vaivaa ja siihen käytettävää aikaa sekä antaa mahdollisuuden perustellummalle päätöksenteolle. (51) Pilvilaskennan avulla voidaan vastata taloudellisiin, teknisiin ja ympäristön huomioon ottaviin vaatimuksiin rakennusten yhä paremmalle suorituskyvylle ja sen tarkemmille määrityksille. Tämä tarkoittaa käytännössä myös tarkempaa suunnittelua ja yksityiskohtaisempien asioiden huomioonottamista sekä vanhanaikaisista, arvioihin perustuneista laskentamenetelmistä luopumista. Pilvilaskenta ja siihen liittyvät palvelut myös antavat mahdollisuuden pienemmille toimijoille kilpailla yhtä suorituskykyisillä menetelmillä suurempien toimijoiden kanssa. (51) Pilvilaskennan hyödyntämiseksi on olemassa olevien suunnittelu-, simulointi-, analysointi- ja visualisointiohjelmistojen, laskentaa ohjaavien järjestelmien ja eri tiedostomuotojen yhteistoiminnan järjestämiseksi määriteltävä yhteinen ontologia, joka tarkoit- 55

63 taa valittua sovellusaluetta mallintavaa tietämysrakennetta, joka kuvaa sovellusalueen käsitteitä ja niiden välisiä suhteita. Yhteinen ontologia sallii myös agenttipohjaisten menetelmien käytön. Agentti-termiä käytetään kuvaamaan ohjelmiston osaa, joka toimii käyttäjänsä puolesta itsenäisesti ja älykkäästi saavuttaakseen sille asetetut tavoitteet. (52) Aiempien tutkimuksien perusteella on voitu todeta, että laskentakuorman jakamiseen tulisi käyttää ainoastaan yhtä virtuaalista laskentaresurssia, joka on mahdollisimman vähän riippuvainen ulkopuolelta tulevasta informaatiosta, ja jolle on määriteltävä joustavia ja dynaamisia laskentastrategioita sekä toimialueiden jakamisperusteita. (51) Ennustavat menetelmät Pilvilaskenta antaa mahdollisuuden nopeuttaa ennustavien menetelmien avulla merkittävästi esimerkiksi aiemmin esillä ollutta interaktiivista päätöksentekoprosessia, joka koostuu määrittelyvaiheesta ja tarkasteluvaiheesta (51). Tavallisesti tällaisessa päätöksentekoprosessissa määrittelyvaiheessa annettujen tietojen perusteella simuloinnista saadut tulokset esitetään tarkasteluvaiheessa, jonka perusteella tehdään määrittelyt uudelle simuloinnille. Uusien määrityksien syöttämisen jälkeen simulointi käynnistetään uudelleen ja jonkinlaisen viiveen jälkeen päästään taas tarkasteluvaiheeseen. Pilvilaskennan avulla uusien määrityksien syöttämisen jälkeistä viivettä ennen uusien tuloksien saamista voidaan lyhentää tai se voidaan parhaassa tapauksessa jopa poistaa ennustavien menetelmien avulla. Ennustavat menetelmät yrittävät päätellä, mitä määrityksiä käyttäjä tulee seuraavaksi tekemään. Nämä menetelmät siis hyödyntävät tarkasteluvaiheen aikana muuten käyttämättömiä laskentaresursseja ennusteiden tekemiseen ja niistä tehtyihin simulointeihin, jolloin parhaassa tapauksessa käyttäjän uusien määritysten mukaiset tulokset ovat jo olemassa, kun käyttäjä vasta tekee määrityksiä. Saavutettu suunnitteluratkaisun suorituskyvyn lopputulos riippuu hyvin paljon näiden interaktiivisten määrittely- ja tarkasteluvaiheiden syklien määrästä. Pilvilaskennan ja ennustavien menetelmien käyttö voi lyhentää näihin sykleihin kuluvaa aikaa ja siten mahdollistaa suuremman määrän syklejä, mikä taas voi johtaa parempaan lopputulokseen. 56

64 3. Energiasimulointiympäristön kehitysperusteet Tässä luvussa on pyritty vastaamaan aiemmin esitettyihin tutkimuskysymyksiin ja tarjoamaan sekä ratkaisuja että kehitysperusteita tarkasteltaviin ongelmiin. Lisäksi on tarkoitus tehdä johtopäätöksiä kirjallisuusosuuden annista ja pohtia suunnittelun tukena käytettävän energiasimulointiympäristön edellytyksiä ja toteutustapaa. Tavoitteena on perustella ja kuvata kehitettävän prosessin toteutus ja siinä käytettävät menetelmät. Suunnitteluratkaisujen tuottamiseen käytettäviä muuttujia pohditaan niiden teknisen toteutettavuuden sekä merkittävyyden kannalta erityisesti alkuvaiheen suunnittelussa. Analysoinnin ja päätöksenteon kehitysperusteet ovat voimakkaasti sidoksissa toisiinsa ja niiden määrittäminen riippuu prosessin toteutuksesta. Tärkein rakennusten energiasimuloinnin kehityskohde on sen käyttötarkoituksen kehittäminen suunnitelmien tarkastamisesta sekä määräystenmukaisuuden ja tavoitteiden toteutumisen varmistamisesta aidoksi suunnitteluprosessia tukevaksi ja vaihtoehtoisia suunnitteluratkaisuja tuottavaksi työkaluksi. Siihen liittyy olennaisena osana itse energiasimuloinnin kehittämistä, mutta ennen kaikkea simulointia tukevien sovellusten, prosessien ja menetelmien sekä niiden integroinnin kehittämistä. Tämä mahdollistaa nykyisten toimintakulttuurin tehostamisen sekä uudenlaisten toimintatapojen soveltamisen ja kehittämisen rakennusten suunnittelussa. Kuva 27 - Alkuvaiheen suunnitteluratkaisujen tuottamisen prosessikaavio. (1) Tässä työssä kehitettävä prosessi vastaa kaavion elinkaarisuunnittelu-osiota. 57

65 Sinisalon diplomityössä, jonka jatkumoa tämän työn voidaan ajatella olevan, esiteltiin tiimityöskentelyyn perustuva toimintatapa erilaisten suunnitteluratkaisuvaihtoehtojen tuottamiseksi kuvan 27 mukaisen prosessin avulla. Kyseisessä työssä esitetty menetelmä on käytännössä täysin manuaalinen ja sillä tuotettavien ratkaisujen määrä on hyvin rajattu. Menetelmässä päätös suotuisasta lopputuloksesta ja sen saavuttamisesta tehdään ennen laskennan aloittamista ja menetelmä ei käytännössä mahdollista oppimisprosessia tietyn suunnitteluratkaisun yhteydessä. Kehitettävän prosessin voidaan nähdä edustavan kuvan 27 mukaisen aiemmin kehitetyn prosessikaavion elinkaarisuunnittelu-osiota. Tämä tarkoittaa sitä, että kehitettävä prosessi saa lähtötietonsa asiakkaan tarpeista ja tavoitteista sekä arkkitehdin määrittämistä vaihtoehtoisista ratkaisuista. Kustannusten tarkasteleminen ja lopullinen päätöksenteko ovat tämän prosessin ulkopuolella tehtäviä toimenpiteitä. Siten tässä työssä kehitettävän prosessin tulokset, eli energiatehokkuuden perusteella määritellyt suunnitteluratkaisuvaihtoehdot, ovat lähtötietoja kokonaisprosessin jatkotoimenpiteille, joilla suoritetaan lopullinen päätös valittavasta suunnitteluratkaisusta. Kehitettävän prosessin on kyettävä tuottamaan ja kuvaamaan todellisia vaihtoehtoja ja niiden vaikutuksia riittävän tarkasti, jotta määriteltyjen tarpeiden ja tavoitteiden huomioiminen sekä mahdollisimman hyvien suunnitteluratkaisujen valitseminen jatkokäsittelyä varten on mahdollista Prosessi On voitu osoittaa, että yksilön on helpompi sitoutua yhteistyössä tuotettuihin ratkaisuihin, kun hän kokee päässeensä vaikuttamaan yhteiseen asiaan ja tuntee oman panoksensa merkitsevyyden (53). Interaktiivisen päätöksenteon hyödyntäminen rakennuksen energiatehokkuuden optimoinnissa rakennuksen tilaajista, rakennuttajasta, suunnittelijoista ja urakoitsijoista kootun suunnitteluryhmän tukena auttaa ottamaan huomioon eri osapuolten näkökannat sekä kokemuksen ja osaamisen. Näin voidaan tuottaa parempia suunnitteluratkaisuja sekä lisätä suunnitteluryhmän sitoutumista yhdessä määriteltyihin tavoitteisiin ja niiden saavuttamiseen liittyviin toteutustapoihin. Interaktiivinen päätöksenteko energiatehokkaan suunnitteluratkaisun tuottamisessa sopii erityisesti käytettäväksi yhdessä uusien rakennusprojekteissa käytettyjen toimintatapojen, kuten IPD:n (Integrated Project Delivery) ja Allianssin (Project Alliance), kanssa. Näissä toimintatavoissa osapuolet ovat yhdessä vastuussa projektin onnistumisesta eikä pelkällä tiukalla oman osuuden hoitamisella huomioimatta kokonaisuutta pääse toivottuun lopputulokseen. Allianssissa kaikki osapuolet kantavat yhdessä vastuun projektin epäonnistumisista ja riskeistä, ja toisaalta kokonaisuutena onnistuneesta projektista hyötyvät kaikki. Pelkällä suunnitteluryhmän energia-asiantuntijan tai optimointialgoritmin tuottamalla suunnitteluratkaisulla tuskin päästään yhtä lähelle lopullista toteutettavaksi tai jatkoke- 58

66 hitettäväksi valittavaa suunnitteluratkaisua kuin suunnitteluryhmän preferenssit huomioon ottavalla interaktiivisella päätöksenteolla. Toimintapa, jossa valmiiksi tuotettu ratkaisu tai ratkaisujoukko tuodaan päätöksentekijän arvioitavaksi, todennäköisesti kohtaa huomattavasti enemmän kritiikkiä ja kyseenalaistamista huolimatta siitä, onko kritiikki ansaittua vai ei. Rakennuksen suunnitteluratkaisujen tuottamisessa mahdollisuus subjektiivisuuteen suunnitteluratkaisun määrittelyssä voidaan nähdä tässä mielessä etuna koko suunnitteluprosessin kannalta. Perustellusti voidaan myös kysyä, onko rakennusten suunnitteluratkaisuja tarkasteltaessa optimaalisen ratkaisun sijaan mielekkäämpää pyrkiä löytämään riittävän hyvä ratkaisu? Rakennuksen suunnitteluratkaisujen tuottamisessa tämä voi olla hyväksyttävää tai jopa toivottavaa sen stokastisen luonteen, lähtötietojen ja suunnitteluvaiheen määrittämän epävarmuuden sekä suunnitteluratkaisuun liittyvien tavoitteiden mitattomuuden takia. Ottamalla rakennuksen elinkaaren eri vaiheissa mukana olevat osapuolet mukaan päätöksentekoon ja tarjoamalla heille mahdollisuus oppia ja nähdä toteutukseen liittyvät mahdollisuudet ja rajoitukset voidaan saavuttaa paremmat edellytykset perustellulle päätöksenteolle ja onnistuneelle lopputulokselle. Matemaattisessa mielessä samanarvoisten Pareto-optimaalisten ratkaisujen ja muiden kuin optimaalisten ratkaisujen tarkastelemiseksi on otettava huomioon päätöksentekijän tietoon ja kokemukseen perustuvia preferenssejä halutun ratkaisun löytämiseksi. Mikäli halutaan mahdollisimman kattava toteuttamiskelpoisten ratkaisujen joukko, johon kohdistaa päätöksentekijän preferenssejä, on päätöksentekoa tukevien menetelmien ja päätöksentekijän käytössä olevien työkalujen rooli hyvin suuressa osassa onnistunutta ja tehokasta suunnitteluprosessia. Suurimpina haasteina monitavoitteellisen ongelman ratkaisemisessa ovat asetetut tavoitteet täyttävän toteuttamiskelpoisen ratkaisun löytämiseen käytettävä aika sekä suunnitteluprosessin tehokkuus, jolla tarkoitetaan prosessin kykyä tuottaa ja löytää suunnitteluratkaisuja, jotka ovat mahdollisimman lähellä optimaalisia tarkastelluilla mittareilla. Suunnitteluprosessin tehokkuus riippuu osaltaan myös päätöksentekijän kyvyistä ja preferensseistä, koska prosessin ei ole tarkoitus toimia itsenäisenä optimaalisia ratkaisuja tuottavana järjestelmänä vaan päätöksentekoa tukevana työkaluna. Interaktiivisen päätöksenteon mahdollistamassa oppimisprosessissa päätöksentekijän preferenssit voivat muuttua tai muovautua prosessin aikana. 59

67 Kuva 28 - Simulointiympäristön on kyettävä suunnitteluvaiheiden etenemisen edellyttämään dynamiikkaan suunnitteluratkaisun jalostamisessa. Alkuvaiheessa määritettyä suunnitteluratkaisua ei tule pitää suunnittelun lopputuloksena vaan pikemminkin välivaiheena, jota tulisi jalostaa tulevissa suunnitteluvaiheissa. Siten simulointiympäristön, jossa suunnitteluratkaisuja tuotetaan ja kehitetään, on kyettävä sellaiseen dynaamiseen toimintaan, että suunnitteluratkaisun reunaehtoja ja vaatimuksia voidaan muuttaa suunnittelun edetessä suunnitteluvaiheesta toiseen (kuva 28). Edelleen on kuitenkin huomioitava alkuvaiheen suunnittelun suuri merkitys suunnittelun suuntaviivojen asettamisessa ja päätöksenteon tärkeydessä. Prosessin kehittämisessä tulee varmistua siitä, että jokainen päätöksentekoon osallistuva osapuoli pystyy tarjoamaan omien tietojensa ja kokemuksensa tuottaman lisäarvon suunnitteluratkaisujen määrittämisessä. Tämä edellyttää yksinkertaisten ja helposti ymmärrettävissä olevien menetelmien käyttöä ja soveltamista. Päätöksentekijöiden taustat vaihtelevat todennäköisesti huomattavasti ja heidän preferenssinsä kohdistuvat ja painottuvat eri tavoilla, mikä on huomioitava päätöksentekijöille esitetyn tiedon ja sen analysointiin käytettävien menetelmien kehittämisessä Prosessin määrittely Tämän työn kirjallisuuskatsauksen perusteella on voitu todeta perusteet energiasimulointiprosessin kehittämiselle suunnittelua tukevaksi työkaluksi ja siihen liittyville ratkaisuille. Kehitettävälle energiasimulointiympäristölle määritetyssä prosessikaaviossa (kuva 29) on esitetty prosessiin liittyvät osakokonaisuudet ja menetelmät. Prosessikaaviossa suunnitteluratkaisuvaihtoehtojen tuottamiseen liittyy olennaisesti muuttujien ja tavoitteiden määrittäminen ja rajaaminen, joita hyödynnetään lähtötietojen asettamisessa sekä prosessin ohjaamisessa saatujen tulosten perusteella. Energiasimuloinnin sekä herkkyysanalyysin tulosten analysoinnin avulla voidaan arvioida käytettävissä olevan tiedon sekä saavutettujen tulosten riittävyyttä. Näiden tietojen perusteella hyväksytään 60

68 jokin suunnitteluratkaisu tai tehdään päätöksiä, joilla suunnitteluratkaisua kehitetään hyväksyttävämpään suuntaan. Kuva 29 - Kehitettävän prosessin alustava periaatekaavio. Prosessi jakautuu käytännössä määrittelyvaiheeseen, simulointiin ja tulosten käsittelyyn. Määrittelyvaiheessa otetaan kantaa simuloinnin lähtötietoihin määrittelemällä simuloinnissa muuttumattomina pysyvät parametrit sekä suunnitteluratkaisujen tuottamisessa käytetyt muuttujat ja niiden arvoalueet ja -askeleet. Ensimmäinen simulointikierros voidaan tehdä vain herkkyysanalyysin ja siitä saatujen tulosten tuottamiseksi. Herkkyysanalyysin tulosten avulla voidaan poistaa merkityksettömiksi osoittautuneita muuttujia ja lisätä uusia muuttujia sekä muuttaa niille tehtyjä määrittelyjä esimerkiksi tarkentamalla prosessia tärkeimpien muuttujien osalta. Muuttujien vaikutusten analysoinnin perusteella aloitetaan varsinainen simuloinnin tulosten tarkastelu. Prosessin toimintaperiaate on esitetty kuvassa 30. Prosessi tuottaa jokaisella kierroksella palautetta päätöksenteon tueksi ja suunnitteluratkaisujen parantamiseksi. Simuloinnin tulosten perusteella voidaan edelleen vaikuttaa muuttujien määrittelyihin ja rajata tavoitteita. Tuloksista voidaan mahdollisesti todeta, että tietyllä muuttujan arvovälillä saavutetaan ainoastaan epähaluttuja ratkaisuja, jolloin tämä arvoväli voidaan rajata pois ja mahdollisesti tarkentaa jäljelle jäävää arvoväliä. Saavutettaessa odotettua parempia tuloksia voidaan myös tarkasteltavaa ratkaisujoukkoa rajata vastaavasti. Suunnitteluratkaisujoukon kehittyessä käytettävien muuttujien vaikutuksia voidaan edelleen arvioida ja tulosten luotettavuuden analysoinnilla voidaan perustella päätösten tekemistä. Tulosten ymmärrettävyyden parantamiseksi ja prosessin yksinkertaistamiseksi epävarmuusanalyysi on jätetty pois varsinaisesta suunnitteluratkaisujen tuottamisesta. Sen sijaan epävarmuusanalyysin voi tehdä niille muutamalle keskinäiseen vertailuun valittavalla suunnitteluratkaisulle. Kun tavoitteet täyttäviä ja muita suunnitteluratkaisuja 61

69 paremmaksi osoittautuneita ratkaisuja on löytynyt, prosessi voidaan lopettaa ja sitä voidaan aina tarvittaessa jatkaa, kun uusia määrittelyjä tai reunaehtoja syntyy projektin edetessä. Prosessin tuloksena syntyneet suunnitteluratkaisuvaihtoehdot toimivat kokonaisprosessissa jatkotoimenpiteiden lähtötietoina. Kuva 30 - Prosessin päätöksenteon toimintakaavio Parametrisointi Suunnitteluratkaisujen tuottamisessa tarkasteltava kokonaisuus on parametrisoitava vaihtoehtoisten ratkaisujen määrittämiseksi. Parametrisointi käsittää siis sekä prosessin aikana muuttumattomien energiasimulointiin vaadittavien parametrien että muuttujien ja niiden arvoalueiden määrittämisen. Muuttuja voi olla käytännössä mikä tahansa suunnitteluratkaisuun liittyvä parametri, jota voidaan kuvata jatkuvana arvoalueena, diskreettinä numeerisena arvojoukkona tai diskreettinä ei-numeerisena vaihtoehtojoukkona, eli tyyppimuuttujana. Tarkasteltaviksi muuttujiksi on valittava parametrit, joiden vaikutusten tiedetään tai oletetaan olevan merkittäviä rakennuksen energiatehokkuuden kannalta tai joiden vaikutus on jostain muusta syystä päätöksentekijää kiinnostava. Muuttujien valinta on tehtävä aina tapauskohtaisesti. Erityyppisissä rakennuksissa, erilaisilla tavoitteilla, ilmasto-olosuhteissa sekä paikallisella infrastruktuurilla, määräyksillä ja energiantuotantotavoilla on niin huomattava merkitys muuttujien vaikuttavuuteen, ettei mitään yleispätevää listausta parametreista voida tehdä, mikäli kehitetystä simulointiympäristöstä halutaan yleispätevä. Tapauskohtaiseen muuttujien vaikuttavuuden arviointiin ja suunnitteluratkaisun tuottamiseen käytetyn prosessin ohjaamiseen käytetään herkkyysanalyysia yhdessä energiasimuloinnin tulosten kanssa. Parametrisoinnin onnistumisen varmistaminen herkkyysanalyysilla tulisi suorittaa ennen varsinaista suunnitteluratkaisujen tarkastelua. Tarkasteltavien muuttujien lisääminen kesken päätöksentekoprosessin ei ole välttämättä mielekästä, koska silloin menetetään osa muuttujaan liittyvästä informaatiosta. Muuttujille ja tavoitteille tehdyt rajoituk- 62

70 set voivat vaikuttaa merkittävästi lisättävän muuttujan avulla tuotetuilla suunnitteluratkaisuilla saavutettavaan suorituskykyyn eikä lisättävän muuttujan todellisia vaikutuksia ja merkittävyyttä voida arvioida, mikäli muuttujia on ehditty poistaa. Tarkasteltavia muuttujia voidaan sen sijaan jättää pois tai niiden määrittelyjä keventää iteratiivisen interaktiivisen prosessin aikana, mikäli muuttujien merkitys tarkastelussa todetaan vähäiseksi. Näiden toimenpiteiden suorittaminen mahdollisimman aikaisessa vaiheessa vähentää tarvittavan laskennan ja tarkasteltavien suunnitteluratkaisujen määrää. Toisaalta kattavampaa ratkaisujoukkoa voidaan hyödyntää osana mahdollisuuksien, rajoitusten ja vaikutusten tarkastelua sekä hyödyntää oppimisessa. Herkkyysanalyysi vaatii aina koko ratkaisujoukkoa sekä sen tuottamiseen käytettyjen muuttujien arvojoukkoja hyvin kuvaavaa otantaa. Herkkyysanalyysistä saadut tulokset muuttujien vaikutuksista simuloinnin tuloksiin voivat olla harhaanjohtavia mikäli otannan laajuutta ja tasaisuutta ei pystytä toteuttamaan riittävän hyvin. Muuttujien arvojoukkojen rajoituksilla on myös suuri merkitys niiden vaikutuksiin tuloksissa. Analysointia tehtäessä on voitava tunnistaa näiden rajoitusten määrityksissä esiintyvät vajavaisuudet ja niiden perusteella muuttaa määrityksiä. Esimerkiksi sisälämpötilan asetusarvon liian suuri tai jopa toteuttamiskelvoton vaihteluväli saattaa vääristää herkkyysanalyysin tuloksia ja antaa vääränlaista tietoa siihen liittyvien muuttujien vaikutuksista. Muuttujien herkkyysanalyysin perusteella voidaan määritellä niiden merkittävyyden kannalta soveltuvat raja-arvot sekä vaihteluvälit. Merkittävimmille muuttujille vaihteluväli tulisi valita siten, että niiden vaikutuksia voidaan tarkastella yksityiskohtaisemmin ja toisaalta taas vähemmän merkittäville muuttujille voidaan asettaa harvempi vaihteluväli laskennan keventämiseksi. Vähemmän merkitsevien muuttujien osaltakin on kuitenkin voitava varmistua riittävän hyvin muuttujan arvojoukkoa kuvaavasta otannasta. On edelleen muistettava, että muuttujiin liittyvä merkittävyys on tapauskohtaista. Rakennuksen suunnitteluratkaisua ja etenkin siihen liittyvän päätöksenteon epävarmuutta voidaan sitoa ympäröivään maailman erilaisin skenaariotarkasteluin. Ottamalla huomioon epävarmuustekijät ja muuttujat, joihin suunnitteluryhmä ei voi vaikuttaa, mutta joiden merkitys suunnitteluratkaisun valinnan kannalta on suuri, mahdollistetaan perustellumpi päätöksenteko ja voidaan varautua tulevaisuuden muutoksien aiheuttamiin vaikutuksiin. Skenaariomuuttujia ovat siis erilaiset taloudelliset sekä ilmastoon ja rakennuksen käyttöön liittyvät muuttujat. Energiasimuloinnin muuttujien jako niiden epävarmuuden perusteella suunnittelua, skenaarioita ja fyysisiä ominaisuuksia koskeviin ryhmiin esitettiin aiemmin tässä työssä. Fyysisten ominaisuuksien epävarmuus ja siitä johtuvat vaikutukset tuloksissa todennäköisesti kiinnostavat enemmän tuotteita valmistavia osapuolia ja voisivat toimia paremmin osana heidän kehitystyötään, kuin varsinaisesti tuottaa lisäarvoa rakennuksen 63

71 suunnitteluratkaisun määrittämiseen. Suunnitteluun liittyvien muuttujien epävarmuuden kuvaamiselle on vaikea löytää perusteita varsinkaan uudisrakennuksia koskevissa tarkasteluissa. Lähtökohtaisesti suunnitteluun liittyvien muuttujien mahdolliset arvot tulisi esittää yhtä todennäköisinä. Erilaiset skenaarioihin liittyvät muuttujat, jotka jo itsessään kuvaavat vallitsevaa muutosta ja epävarmuutta, sen sijaan voivat olla hyvinkin merkittäviä ja vaikuttaa olennaisesti rakennuksen suorituskykyyn tulevaisuudessa. Skenaarioiden tarkasteleminen osana suunnitteluratkaisujen tuottamista ja päätöksentekoa lisää huomattavasti laskennan ja tarkasteltavien suunnitteluratkaisujen määrää. Tämän välttämiseksi voisi olla perusteltua tarkastella skenaarioita vain rajatulle joukolle suunnitteluratkaisuja. Skenaarioiden tarkasteleminen erikseen mahdollistaisi paremmin yksittäisten ilmiöiden vaikutusten havainnollistamisen. Toisaalta skenaariot myös toteutuvat summittaisesti, mikä puoltaa yhteisvaikutusten tarkastelemista Muuttujien määrittely Suunnitteluratkaisujen tuottamisessa käytettyjen muuttujien vaikutus rakennuksen suorituskykyyn sekä niiden arvoalueisiin riippuu olennaisesti suunnitellun tai tarkastellun rakennuksen tyypistä, maantieteellisestä sijainnista ja vallitsevista ilmasto-olosuhteista, rakennuksen suorituskyvylle asetetuista tavoitteista ja rajoituksista sekä paikallisesta infrastruktuurista ja määräyksistä. Useasta eri näkökulmasta mahdollisimman optimaalisen suunnitteluratkaisun löytämiseksi on muuttujien vaikutusta tutkittava tapauskohtaisesti interaktiivisen päätöksentekoprosessin avulla. Suunnitteluratkaisujen tuottamisessa tarkasteltavat muuttujat valikoituivat edellisten suorituskykyyn vaikuttavien tekijöiden lisäksi päätöksentekijän preferenssien perusteella. Koska energiasimulointiprosessissa käytettävistä muuttujista ei voitu tehdä tämän työn kirjallisuusosuuden mitään yleispäteviä johtopäätöksiä, on muuttujien määrittelyä lähestytty erityisesti suunnittelun ja suunnittelijoiden tarpeiden kautta. Muuttujien arvoalueiden määrittely tulisi toteuttaa parhaiten todellisia vaihtoehtoja kuvaavalla tavalla, mikä tarkoittaa käytännössä erilaisia tyyppimuuttujia sekä arvovälin ja -askeleen avulla diskretoituja numeerisia muuttujia. Muuttujien ja niiden arvoalueiden määrittely liittyy olennaisesti käytettävään otantamenetelmään. Kirjallisuusosuudessa voitiin kuitenkin todeta, ettei rakennusten energiasimulointiin liittyvissä sovelluksissa havaittu merkittävää eroa yksinkertaisen satunnaisen otantamenetelmän käytön ja muissa tutkimuksissa hyvin suoriutuneen kehittyneemmän menetelmän välillä. Näin käytettäväksi menetelmäksi voidaan valita yksinkertainen otantamenetelmä muuttujien arvoalueiden määrittelyjen ehdoilla. Lisäksi merkittävänä tekijänä otantamenetelmän soveltamisessa ja muuttujien määrittelyssä on energiasimulointiprosessissa käytettävän RIUSKA-ohjelmiston asettamat mahdollisuudet ja rajoitukset. 64

72 Taulukossa 2 on esitetty taulukon 1 jaottelusta muokattu listaus muuttujista, jotka on mahdollista implementoida RIUSKA-ohjelmistolla. Energia- ja ohjelmistoasiantuntijoista koostuneen ryhmän pohdintojen perusteella on listauksessa myös erikseen korostettu ne muuttujat, jotka on mielekästä implementoida ensimmäisessä vaiheessa. Taulukossa on esitetty jokaiselle muuttujalle sen tyyppi, määrittelyperusteet, herkkyysanalyysin toteuttamiseen liittyvä kommentointi sekä muita huomioita. Listauksessa on eroteltu suunnitteluun liittyvät muuttujat sekä skenaariomuuttujat. Suunnittelumuuttujat ovat selkeästi suunnittelijoiden määritettävissä olevia ja niiden arvot halutaan arvioida yhtä todennäköisinä, jolloin muuttujille käytetään tasajakaumaa. Skenaariomuuttujilla kuvataan erilaisia epävarmuustekijöitä, eikä suunnittelijoiden ole niitä mahdollista määrittää. Skenaarioita voidaan kuvata diskreetteinä tapauksina tai käyttämällä muuttujalle normaalijakaumaa, jonka määrittämiseksi tarvitaan asiantuntijan arvio keskiarvosta ja keskihajonnasta. Muuttujien määrittely tapahtuu käytännössä RIUSKA-ohjelmistossa, joka toimii siten prosessin ohjauksesta vastaavana ohjelmistokomponenttina. Käyttöliittymässä tulee siis olla mahdollisuudet tarkasteltavien muuttujien valitsemiseen ja poistamiseen, joka on käytännössä muuttujan lukitsemista parametriksi. Lisäksi muuttujille tulee olla mahdollista määrittää niiden tyypin mukaiset arvoalueet tai vaihtoehdot. Jotta suunnitteluratkaisuja voitaisiin ohjata mielekkäämpään suuntaan, tulisi myös harkita mahdollisuutta muuttujien yhdistelmien rajaukseen. Esimerkiksi huono ikkunan U-arvo ja suuri ikkunaaukotusprosentti eivät tuota yhdessä suorituskykyisiä suunnitteluratkaisuja. Kun tämänkaltainen yhdistelmä voidaan rajata jo lähtökohtaisesti pois mahdollisuuksista, satunnainen otanta tuottaa vähemmän epähaluttuja suunnitteluratkaisuja. Toisaalta tämäntyyppinen rajaus vääristää herkkyysanalyysin tuloksia, joten voi olla järkevämpää antaa päätöksentekijän tehdä rajaus tuloksia tarkasteltaessa. 65

73 Taulukko 2 - Muuttujat, jotka on mahdollista implementoida RIUSKA-ohjelmistossa. Korostetut muuttujat implementoidaan ensimmäisessä vaiheessa. Suunnittelumuuttujat Muuttujan tyyppi Määrittely Huomioitavaa Rakennuksen muoto ja massoittelu Rakennuksen muoto ja massoittelu Tyyppi IFC-tiedosto e Suuntaus Numeerinen Ylä- ja alaraja, askel x Rakenne Seinien rakennetyyppi Tyyppi Määritellyt vaihtoehdot (x), U-arvon avulla Yläpohjan rakennetyyppi Tyyppi Määritellyt vaihtoehdot (x), U-arvon avulla Alapohjan rakennetyyppi Tyyppi Määritellyt vaihtoehdot (x), U-arvon avulla Ulko-ovityyppi Tyyppi Määritellyt vaihtoehdot (x), U-arvon avulla Ulkoseinän pinnan emissiviteetti Numeerinen Ylä- ja alaraja, askel x Kylmäsiltojen lämmönjohtavuus Numeerinen Ylä- ja alaraja, askel x Ilmavuotokerroin Numeerinen Ylä- ja alaraja, askel x Lasitukset Ikkunan rakennetyyppi Tyyppi Määritellyt vaihtoehdot (x), U-arvo ja läpäisevyys Ikkuna-aukotusprosentti Numeerinen Ylä- ja alaraja, askel x, lattia- tai ulkoseinän alasta Aurinkosuojaus Sälekaihdintyyppi Tyyppi Määritellyt vaihtoehdot (x), esitetään p x l Yleinen aurinkosuoja x, esitetään p x l Peittoaste Numeerinen Ylä- ja alaraja, askel p Läpäisevyys Numeerinen Ylä- ja alaraja, askel l Talotekniset järjestelmät Ilmastoinnin järjestelmätyyppi Tyyppi Määritellyt vaihtoehdot e, koko rakennukselle sama Suunnittelun tavoitetaso sisäilmalle Tyyppi Määritellyt vaihtoehdot (x), maks. sisäilman lämpötila LTO:n hyötysuhde Numeerinen Ylä- ja alaraja, askel x Ilmanvaihdon ominaissähköteho Numeerinen Ylä- ja alaraja, askel x Yötuuletus/yöjäähdytys Tyyppi YT/YJ/Ei e Vapaajäähdytys Tyyppi On/Ei e Energiamuodot Maalämpöpumpulla tuotetun jäähdytysenergian osuus Numeerinen Ylä- ja alaraja, askel x, osuudet sidoksissa toisiinsa Maalämpöpumpulla tuotetun lämmitysenergian osuus Numeerinen Ylä- ja alaraja, askel x, osuudet sidoksissa toisiinsa Kaukokylmän osuus Numeerinen Ylä- ja alaraja, askel x, osuudet sidoksissa toisiinsa Aurinkolämmön osuus Numeerinen Ylä- ja alaraja, askel x, osuudet sidoksissa toisiinsa Aurinkosähkön osuus Numeerinen Ylä- ja alaraja, askel x, osuudet sidoksissa toisiinsa Tuulisähkön osuus Numeerinen Ylä- ja alaraja, askel x, osuudet sidoksissa toisiinsa Biopolttoaineiden osuus Numeerinen Ylä- ja alaraja, askel x, osuudet sidoksissa toisiinsa Skenaariomuuttujat Sää ja ympäristö Vuosisää Mitoituspäivän sää Sisäiset kuormat Kuormatehot Aikataulut 66 Herkkyysanalyysi: Kuormien lukumäärä tilassa Taloudelliset muuttujat Sähköenergian hinta Numeerinen Ylä- ja alaraja, askel x Sähköenergian eskalaatio Numeerinen Ylä- ja alaraja, askel x Lämpöenergian hinta Numeerinen Ylä- ja alaraja, askel x Lämpöenergian eskalaatio Numeerinen Ylä- ja alaraja, askel x Kylmäenergian hinta Numeerinen Ylä- ja alaraja, askel x Kylmäenergian eskalaatio Numeerinen Ylä- ja alaraja, askel x x = voidaan tehdä (x) = ominaisuuden avulla e = ei voi tehdä

74 Herkkyysanalyysimenetelmän valinta Kirjallisuuskatsauksen perusteella on voitu todeta, että rakennusten energiasimuloinneissa eniten käytetyt herkkyysanalyysimenetelmät ovat vaikutuskerroin IC ja regressioon perustuvat menetelmät, kuten SRC ja PCC, huolimatta niiden mallin lineaarisuuteen ja muuttujien korreloimiseen liittyvistä vaatimuksista. Suodatusmenetelmistä eniten käytetty oli Morris-menetelmä ja varianssiin perustuvista menetelmistä FASTmenetelmä sekä Sobol-menetelmä. Sovellettavan herkkyysanalyysimenetelmän on käytännössä pystyttävä tuottamaan kvantitatiivisia ja luotettavia tuloksia suhteellisen pienellä simulointien määrällä. Tulosten ei tarvitse kuvata konkreettisesti määritettävissä olevaan merkittävyyttä, vaan suhteellinen merkittävyys muuttujien välillä riittää. Menetelmää tulee voida käyttää diskreeteille muuttujille. Kehitettävän simulointiympäristön asettamien ja sille asetettujen vaatimuksien sekä herkkyysanalyysimenetelmien ominaisuuksien perusteella voidaan tehdä herkkyysanalyysiin käytettävän menetelmän valintaan liittyviä päätöksiä. Koska FAST- ja Sobolmenetelmien soveltaminen on haastavaa ja erityisesti vaadittujen simulointien määrä niin suuri, näiden menetelmien käyttö ei sovellu kehitettävään simulointiympäristöön. Lisäksi FAST-menetelmä ei sovellu diskreeteille muuttujien arvojoukoille, joita simulointiympäristössä halutaan käyttää. Morris-menetelmän tulokset ovat ensisijaisesti kvalitatiivisia, eli ne esittävät muuttujien merkittävyyden keskinäisen järjestyksen, mutta eivät niiden suhteellista merkittävyyttä, minkä takia menetelmä ei sovellu kehitettävään simulointiympäristöön. Regressioon perustuvien menetelmien voidaan todeta lukuisten tutkimusten perusteella soveltuvan kehitettävään simulointiympäristöön huolimatta niiden vaatimuksista lineaarisuuden, korreloimisen ja monotonisuuden suhteen. Lokaalin vaikutuskertoimen käyttöön ei ole estettä. On myös mahdollista yhdistää herkkyysanalyysimenetelmien ominaisuuksia, ja tällä tavalla voidaankin ainakin ajatuksen tasolla päästä parempaan lopputulokseen. Morrismenetelmä tuottaa tietoa muuttujien lineaarisuudesta, jota simulointiympäristössä toimivalla päätöksentekijällä ei todennäköisesti ole. Morris-menetelmää käyttämällä päätöksentekijä voi siis saada tiedon sekä muuttujien lineaarisesta tai epälineaarisesta käyttäytymisestä että niiden keskinäisestä kvalitatiivisesta merkittävyydestä. Näillä tiedoilla päätöksentekijän on mahdollista soveltaa kvantitatiivisia tuloksia tuottavia regressiomenetelmiä siten, että näiden menetelmien vaatimukset täyttyvät Tulosten käsittely Rakennusten suunnitteluratkaisujen tuottamisen prosessista saatujen tulosten ja niihin liittyvien muuttujien tarkastelemiseen, prosessin ohjaamiseen ja valittavan suunnitteluratkaisun määrittämiseen tarvitaan päätöksentekoa ohjaavia analysointimenetelmiä sekä 67

75 intuitiivisen päättelyn mahdollistamia visualisointitapoja. Tuloksista pitää pystyä päättelemään niihin liittyvien muuttujien vaikutukset ja hahmottamaan sekä tuloksien että muuttujien arvojoukot. Muuttujien ja tulosten välisten korrelaatioiden tunnistaminen on välttämätöntä päätöksenteon ja prosessin ohjaamisen kannalta. Tärkeitä tunnistettavia asioita ovat lineaaristen ja jollain tasolla pääteltävissä olevien vaikutusten suhteellinen merkittävyys sekä epälineaariset ja muuttujien yhteisvaikutuksista aiheutuvat vaikeammin tunnistettavissa olevat vaikutukset. On myös järkevää hahmotella suoritettu päätöksentekoprosessi rakennuksen suorituskykyyn liittyvien tavoitteiden valossa ja kirjata tehtyihin päätöksiin johtaneet syyt. Tämä on esitetty kuvan 30 toimintakaaviossa päätöksentekoloki-osuudella. Mikäli simulointiprosessilla päädytään suunnitteluratkaisuihin, jotka eivät ole jostain syystä toteutuskelpoisia, voidaan päätöksentekoprosessissa ottaa askeleita taaksepäin perustellusti päätöksiin johtaneita syitä hyväksi käyttäen. Tämä helpottaa myös myöhempää päätöksenteon tarkastelua, kun mietitään, miksi juuri tähän ratkaisuun on päädytty. Voi myös olla hyödyllistä säilyttää muutkin simulointiprosessin tuottamat suunnitteluratkaisut kuin valitut ratkaisut tai niiden osajoukot. Tämä poistaa tarpeen simulointien uusimiselle, mikäli syntyy tarve palata simulointiprosessissa taaksepäin. Koska kehitettävässä simulointiympäristössä ei ole tarkoitus tehdä rakennukseen liittyvää elinkaari- tai investointilaskentaa, on erittäin tärkeää, että tavoitteet ja päätöksentekijän preferenssien mukaiset vaatimukset täyttävä suunnitteluratkaisujen osajoukko on riittävän laajasti tutkittu. Muihin kuin energiaan liittyvien taloudellisten tekijöiden puuttuminen tarkasteluista mahdollistaa tässä mielessä hyvin vaihtelevat ratkaisuvaihtoehdot tietyn osajoukon puitteissa. Elinkaari- ja investointikustannusten arvioiminen on tässä tapauksessa käytännössä yksi päätöksentekijän preferensseistä ja niiden todellinen laskennallinen tarkastelu osa suurempaa kokonaisuutta Rakennuksen suorituskyvyn mittarit Jotta minkäänlaista vertailua suunnitteluratkaisujen välillä voidaan tehdä, on määritettävä rakennukselle sen suorituskykyä kuvaavat mittarit (KPI, key performance indicator). Mittareiden avulla tarkastellaan asetettujen tavoitteiden toteutumista sekä niiden välisiä yhteyksiä. Monitavoitteisessa suunnitteluongelmassa voidaan joutua tekemään kompromisseja tavoitteiden suhteen, jolloin asetettujen tavoitteiden saavuttamisessa ei kaikkien mittareiden mukaan välttämättä onnistuta. Kehitettävällä simulointiympäristöllä tullaan tarkastelemaan ainoastaan rakennuksen energiatehokkuutta, joten käytettävät mittarit määräytyvät hyvin pitkälle jo tämän määrityksen perusteella. Kehitettävässä simulointiympäristössä käytettävät suorituskykymittarit tulisi esittää vuosittaisena tarkasteluna, koska prosessista saatavat tulokset ovat osa kuvan 27 mukaista kokonaisuutta, jossa elinkaaritarkastelut tapahtuvat toisessa osaprosessissa. 68

76 Rakennuksen energiatehokkuutta mitattaessa on otettava huomioon kulutetun energian määrän lisäksi energian tuotantotavat sekä niiden aiheuttamat päästöt. Etenkin kun yhtenä tarkasteltavana muuttujana tullaan pitämään rakennuksen layout-vaihtoehtoja, soveltuu mittariksi ominaisenergiankulutus (kwh/m 2 ), joka siis huomioi myös käytettävissä olevan pinta-alan. Energiankulutustietojen, tuotantomuotojen ja niiden päästöihin liittyvien ja taloudellisten parametrien avulla päästään tarkastelemaan energiakustannuksia ( /a) sekä energiankulutuksen CO 2 -päästöjä (t/a). Tuotantomuodot huomioi myös Suomessa käytössä oleva rakentamismääräyksissä määritelty E-lukuun perustuva luokittelu, joka on myös luonteva mittari, vaikka se ei todellista energiatehokkuutta mittaakaan. Nämä mittarit ovat E-lukua lukuun ottamatta usein käytettyjä ja niiden määritykset ovat hyvin vakioituneita. Ainoastaan kustannuksiin ja päästöihin liittyvien parametrien määrityksillä voidaan saada eroja eri tarkastelujen välillä. Olosuhteet on myös otettu energiatehokkuutta kuvaavaksi mittariksi, sillä jo rakennusmääräyskokoelman energiatehokkuusmääräykset asettavat olosuhdetavoitteita. Olosuhteiden mittarointiin käytetään menetelmää, jossa tarkastellaan tilakohtaisesti sisäilman lämpötilan pysyvyyttä asetettujen raja-arvojen sisäpuolella. Käytännössä lasketaan aika, jona sisäilmanlämpötila täyttää olosuhteille asetetut vaatimukset ja jaetaan tämä aika tarkastelun kokonaisajalla. Esittämällä tämä luku prosenttimuodossa saadaan tilan sisälämpötilan pysyvyyttä kuvaava olosuhdemittari, joka voi saada arvoja nollasta sataan prosenttiin, kun vastaavasti tilan sisälämpötila on tarkasteltavan ajan kokonaan rajaarvojen ulkopuolella tai kokonaan niiden sisäpuolella. Tämä menetelmä on todettu hyväksyttäväksi ISO-standardissa (ISO 7730:2005) sekä toimivaksi Nguyen n ym. (54) tutkimuksessa käytettynä yhdessä ulkolämpötilan perusteella muuttuvien sisälämpötilan raja-arvojen kanssa. Lisäksi tätä menetelmää tullaan käyttämään kiinteistön kunnossapidon raportointiin tarkoitetussa ohjelmassa, jolloin simuloituja ja toteutuneita arvoja voidaan vertailla. Tämän työn osalta käytetään Sisäilmastoluokitus 2008 luokitusten mukaisia ulkolämpötilasta riippuvaisia sisälämpötilan raja-arvoja. Olosuhteiden määrittäminen tulee suorittaa tilakohtaisena, jotta eri tilojen olosuhteisiin voidaan vaikuttaa mahdollisimman helposti suunnitteluratkaisuilla. Tilakohtaista tarkastelua tulisi käyttää jo suunnitteluratkaisuja tuotettaessa ja prosessia ohjailtaessa yleisellä tasolla pahimpien tilanteiden välttämiseksi mutta myös vertailuun valittavien suunnitteluratkaisujen tarkasteluissa. Interaktiivista päätöksentekoa varten on kuitenkin määritettävä koko rakennuksen olosuhteita kuvaava mittari tilakohtaisista tiedoista. Koko rakennuksen mittaroinnissa on yhdistettävä tilojen olosuhdetiedot laskemalla tilojen lukumäärän perusteella keskiarvo tai painottamalla niitä pinta-alojen tai tiloille mitoitettujen läsnäolijoiden perusteella. Olosuhteiden painottaminen ja painotustavan valitseminen ei ole yksiselitteinen asia. Rakennukselle, jossa on paljon sekä suurelle ihmisjoukolle tarkoitettuja tiloja, että säily- 69

77 tys- ja käytävätiloja painotustavan valinnalla on huomattava merkitys olosuhdemittarilla saatavaan tulokseen. Näin ollen eri rakennusten tai varsinkaan erilaisten rakennustyyppien vertailua ei tällä olosuhdemittarilla tulisi tehdä. Tässä työssä kehitettävän simulointiympäristön on sen sijaan tarkoitus vertailla saman rakennuksen vaihtoehtoisia toteutustapoja tai korkeintaan vaihtoehtoisia rakennusvaihtoehtoja, jotka sisältävät lähes samat tai ainakin hyvin samantyyppiset tilat. Näin ollen valittu painotustapa vaikuttaa olosuhdemittarin absoluuttiseen arvoon mutta vaihtoehtoiset ratkaisut pysyvät riittävällä tasolla suhteellisesti vertailukelpoisina. Olosuhteiden painotus tullaan tekemään pintaalan perusteella, kuten on tehty mainitussa kiinteistön kunnossapidon raportointiin tarkoitetussa ohjelmassa, jotta simuloidut ja toteutuneet arvot ovat vertailukelpoisia Visualisoinnit Monitavoitteisiin ongelmiin liittyy aina lopulta jonkinlainen päätöksentekoprosessi, jolla pyritään täyttämään tavoitellut kohdefunktioiden arvot ja määrittämään erilaisten preferenssien perusteella mahdollisimman hyvä ratkaisu. Monitavoitteisten ongelmien ratkaisuiden esittäminen havainnollisina ja päätöksentekoa helpottavina visualisointeina vaatii kehittyneiden menetelmien käyttöä sekä niiden oikeaoppista hyödyntämistä. Tavoitteena voi olla löytää tuotetusta ratkaisujoukosta suoraan yksi ratkaisu, tämän ratkaisun erilaisia läheisiä variaatioita tai erityyppisiä ratkaisuja ja niiden erilaisia variaatioita. Variaatiot voivat liittyä myös suunnitteluvaiheisiin ja niiden etenemiseen; voidaan valita haluttu suunta, jota edustaa tietyntyyppinen ratkaisujoukko, ja suunnitteluprosessin edetessä ja eri vaihtoehtojen toteutettavuuksien tarkentuessa tästä ratkaisujoukosta seulotaan toteutuskelpoiset ratkaisut. Monitavoitteisten ongelmien ratkaisujoukkoa kuvaaville ja niiden analysoinnissa hyödynnettäville visualisoinneille voidaan määritellä useita erityyppisiä vaatimuksia. Nämä vaatimukset liittyvät visualisoinnin mahdollistamaan dimensionalisuuteen, korrelaatioiden ja epäjatkuvuuksien tunnistamisen mahdollisuuksiin sekä päätöksenteon ja käytön helppouteen. Ratkaisujoukkoja kuvaavien visualisointien lisäksi tarvitaan yksittäisiä ratkaisuja ja niissä käytettyjä muuttujia kuvaavia visualisointeja ratkaisun toteutettavuuden arvioinnissa. Ratkaisujoukkoja kuvaaviksi visualisoinneiksi on tässä tarkastelussa valittu Pareto-kuvaaja, Parallel Coordinate Plot, Hyper-Radial Visualization ja Self-Organizing Maps. Yksittäisien ratkaisujen visualisointeihin on valittu Radar Chart sekä Sankey- eli energiavirta-diagrammi Pareto-kuvaaja Pareto-kuvaajassa (kuva 31) esitetään kaikki laskennasta saadut ratkaisut valittujen kohdefunktioiden suhteen. Kuvaajasta korostetaan tavallisesti ei-dominoidut ratkaisut. Tätä ratkaisujoukkoa kutsutaan siis Pareto-rintamaksi. Pareto-kuvaaja esitetään tavallisesti kahden kohdefunktion suhteen, mutta myös kolmen kohdefunktion käyttäminen on 70

78 Investointikustannukset k mahdollista. Tällöin visualisointi on kolmiulotteinen ja Pareto-rintama on pinta kolmiulotteisessa avaruudessa. Käytännössä jo kolmen kohdefunktion käyttö Paretokuvaajassa tekee visualisoinnista hankalasti hahmotettavan. Intuitiivisempi tapa kolmannen dimension käytölle on pisteiden värjääminen kolmannen kohdefunktion arvon perusteella ja värilegendan esittäminen kuvaajan yhteydessä Kuva 31 - Pareto-kuvaaja, jossa kaikki simuloidut ratkaisut on esitetty sinisin ja punaisin pistein ja Pareto-rintama on esitetty sinisin pistein. Pareto-kuvaaja ei anna tietoa käytetyistä muuttujista, niiden arvoista tai rajauksista. Tämän takia päätöksen tekeminen pelkästään Pareto-kuvaajan avulla on vaikeaa eikä sen avulla voi löytää korrelaatioita muuttujien ja kohdefuktioiden välillä. Siitä on kuitenkin helposti nähtävissä esimerkiksi epäjatkuvuuskohdat ja sen avulla on myös mahdollista jakaa Pareto-rintaman osia selkeisiin ryhmiin, mikäli laskentamallin tuottamat tulokset ovat jakautuneet joidenkin päämuuttujien suhteen kohdefunktioiden tietyille arvorajoille Parallel Coordinate Plot Pareto-kuvaaja Energiakustannukset k Parallel Coordinate Plot, eli PCP, on yksinkertainen tapa visualisoida moniulotteista dataa kaksiulotteisena (kuva 32). PCP:ssä jokainen haluttu muuttuja ja kohdefunktio on esitetty samansuuntaisena koordinaattiakselina. Jokaisella akselilla voi olla oma arvoalue ja ne voivat olla joko jatkuvia tai diskreettejä. Diskreettien akseleiden hyödyntäminen mahdollistaa myös ei-numeeristen muuttujien käytön. Visualisointi näyttää saadun tuloksen tai tulokset sekä muuttujien arvot, joilla tulokseen on päädytty, ja yhdistää nämä tietyn tuloksen arvot viivalla kaikkien akseleiden välillä. (55) 71

79 Kuva 32 - Parallel Coordinate Plot kahdeksalle rakennukseen liittyvälle muuttujalle ja kahdelle kohdefunktiolle. Ne muuttujien arvoalueet, joilla päästään parhaiten haluttuun lopputulokseen, on helppo nostaa esille visualisoinnista antamalla jokaiselle tuloksen ja sen muodostamien muuttujien arvojen väliselle viivalle väritys kohdefunktion arvon perusteella. Lisäämällä visualisointiin mahdollisuus rajata muuttujien ja tulosten arvoja siten, että rajauksen ulkopuolelle jääneet tulokset muuttuvat esimerkiksi harmaiksi, voidaan paremmin keskittyä rajattuun määrään ratkaisuja. Vaikka muuttujia ja kohdefunktioita voidaan tässä visualisoinnissa esittää käytännössä rajattomasti, niiden suuri määrä tekee tästä visualisoinnista vaikeasti luettavan, ja vähänkään epäselvempien korrelaatioiden löytäminen voi olla hankalaa. Sopivalla määrällä muuttujia ja kohdefunktioita tämä visualisointi on hyvinkin helppokäyttöinen ja helposti ymmärrettävissä. Epäjatkuvuuskohtien tunnistaminen ei ole mahdollista, mutta päätöksentekoa ja suunnitteluratkaisun valintaa voidaan jo tällä visualisoinnilla perustella Hyper-Radial Visualization Hyper-Radial Visualization (56), eli HRV, mahdollistaa moniulotteisen Pareto-rintaman visualisoinnin kaksiulotteisesti ja tukee päätöksentekijää tavoitellun suunnitteluratkaisun valinnassa. Visualisointi (kuva 33) on kehitetty monitavoiteoptimointiongelmien tarpeisiin. Sitä voidaan hyödyntää jo tuotetulle datalle eli sen käyttämiseen ei tarvitse tehdä minkäänlaisia etukäteismäärityksiä. Visualisoinnissa kohdefunktiot esitetään kahdessa ryhmässä, jotka esitetään kahdella eri akselilla. Moniulotteisen Pareto-rintaman ratkaisut esitetään tässä koordinaatistossa ja ratkaisut etäisyys origosta toimii mittarina sen paremmuudesta. Mitä lähempänä origoa ratkaisua on, sitä parempi se on. Visu- 72

80 alisoinnissa voidaan esittää myös yhdenmukaisuuskäyrät, jotka esittävät yhtä hyvien ratkaisujen etäisyyttä origosta. Kuva 33 - HRV esitettynä eri painotuksilla. (55) Kohdefunktioilla on usein eri yksiköt, joten jokainen kohdefunktio on normalisoitava soveltuvalla menetelmällä, jotta niiden esittäminen samalla akselilla mahdollistuu. Lisäksi akselilla esitetty kohdefunktioryhmä on normalisoitava kohdefunktioiden määrällä, jotta akselille saadaan arvoasteikko yhdestä nollaan. Normalisoinnin ansioista origosta tulee ns. utopiapiste, joka kuvaa kullakin kohdefunktioilla erikseen saavutettua pienintä mahdollista arvoa. Jos kohdefunktioita on pariton määrä, eli akseleilla on erisuuruiset kohdefunktioryhmät, tulee yhdenmukaisuuskäyristä elliptisiä eikä paremmuutta voi enää määritellä etäisyytenä origosta vaan yhdenmukaisuuskäyrien perusteella. Sama pätee tilanteeseen, jossa kohdefunktioille annetaan painoarvoja. Normalisoitu kohdefunktion arvo lasketaan yhtälöllä on kohdefunktion arvo ja on kohdefunktioiden lukumäärä. Kohdefunktioiden yhdistäminen kahteen HRV-kuvaajan x- ja y-akseleita vastaavaan ryhmään tapahtuu yhtälöillä joissa on HRC1:ssä käytettyjen kohdefunktioiden lukumäärä. Käytännössä kohdefunktioiden mahdollinen painottaminen tapahtuu laskettaessa näitä yhdistettyjä kohdefunktioryhmiä. 73

81 Tavoiteltavan ratkaisun löytämiseksi voidaan tähän visualisointiin liittää kohdefunktioiden arvoihin liittyviä lisäkriteerejä. Yksi tapa on antaa kohdefunktioiden arvoille painotuksia. Kuvassa 33 on esitetty kahden erilaisen painotuksen vaikutus visualisoinnin ja siitä saatavaan tietoon päätöksenteon tukemiseksi. Kun kaikilla kohdefunktioilla on sama painoarvo, ratkaisuista erottuu selkeästi paras vaihtoehto, mutta kun yhden kohdefunktion painoarvo poistetaan kokonaan, on lähes yhtä hyviä ratkaisuja useita. Toinen tapa on luokitella kohdefunktioiden arvoalueet niiden tavoiteltavuuden mukaan esimerkiksi siten, että pienin viidennes kohdefunktion arvoista on erittäin tavoiteltavia, suurin viidennes erittäin epähaluttuja ja muut viidennekset vastaavasti jotain siltä väliltä. Visualisoinnissa esiintyvälle ratkaisua edustavalle pisteelle voidaan määritellä väri sen mukaan, onko sen kohdefunktioiden arvot tavoiteltavia vai ei. Kuvassa 34 on esitetty kaksi erilaista tapaa jaotella värimäärittelyt kohdefunktioiden arvojen ja määriteltyjen arvoalueiden mukaan. Kuva 34 - Inklusiivinen ja elitistinen määrittelyrakenne (HD = Highly Desirable, D = Desirable, T = Tolerable, U = Undesirable ja HU = Highly Undesirable. (56) Kuvassa 35 on esitetty kahden ja kolmen kohdefunktion ryhmissä elitistisen määrittelyrakenteen avulla värikoodatut ratkaisut. Kuvasta voidaan nähdä, että parhaalla saavutettavalla yhdenmukaisuuskäyrällä on sekä hyväksyttäviä (vihreä) että epähaluttuja (keltainen) ratkaisuja. Tämä voi johtua pelkästään siitä, että keltaisissa ratkaisuissa jokin yksi kohdefunktion arvo sijoittuu toisiksi huonoimpaan viidennekseen, vaikka muiden kohdefunktioiden arvot olisivat huomattavasti parempia ja kompensoisivat tätä yhtä huonompaa arvoa. Vihreään taas riittää, että kaikkien kohdefunktioiden arvot ovat juuri keskimmäisen viidenneksen arvoalueella. 74

82 Kuva 35 - Elitistisellä määrittelyrakenteella esitetty HRV. (56) Tällä visualisoinnilla on käytännössä mahdollista esittää rajoittamaton määrä kohdefunktioita, mutta muuttujista ja niiden rajauksista ei voida esittää tietoa. Visualisaation avulla ei voida tunnistaa epäjatkuvuuskohtia eikä tehdä minkäänlaista trendianalyysia. Koska visualisointi ja siinä käytetyt menetelmät pyrkivät asettamaan Paretooptimaalisia tuloksia paremmuusjärjestykseen päätöksentekijän preferenssien mukaisesti, on päätöksenteko tällä visualisoinnilla mahdollista. Sen käyttö on myös melko yksinkertaista ja sen periaatteet ovat helposti ymmärrettävissä Self-Organizing Map Itseorganisoituva kartta (Self-Organizing Map, SOM) on kompleksin ja epälineaarisen monidimensionaalisen datan visualisointiin käytettävä neuroverkkomalli, joka perustuu ohjaamattomaan oppimiseen. Se muodostaa monidimensionaalisesta datasta yksinkertaisten geometristen suhteiden avulla kaksiulotteisen visualisoinnin tuotetuista dataelementeistä säilyttäen niiden topologiset ja metriset suhteet. Muodostetun visualisoinnin avulla voidaan käsitellystä datasta löytää korrelaatioita muuttujien välillä ja kategorisoida niitä. Itseorganisoituvien karttoja on sovellettu erilaisten johdonmukaisuuksien tunnistamisessa, vikadiagnosoinnissa sekä vian havaitsemiseen että sen aiheuttajan tunnistamiseen, koneiden ja prosessien monitoroinnissa sekä korrelaatioiden tunnistamisessa. (57) Itseorganisoituvia karttoja on käytetty erilaisissa monitavoiteoptimointisovelluksissa, joissa useiden kohdefunktioiden ja niihin liittyvien muuttujien välisiä korrelaatioita sekä niihin liittyviä kompromisseja on haluttu tarkastella (58,59). Yksi tällainen esimerkki on ajoneuvon rakenteiden Pareto-optimaalisten tulosten ja niihin liittyvien muuttujien tarkastelu (kuva 36). Menetelmä on laskennallisesti raskas, mutta se mahdollistaa käsiteltävän optimointiongelman yksityiskohtaisen tarkastelun ja korrelaatioiden tunnistamisen muuttujien ja tulosten välillä (55). 75

83 Kuva 36 - Ajoneuvon rakenteiden Pareto-optimaalisten tulosten ja niihin liittyvien muuttujien visualisointi itseorganisoiduilla kartoilla. (55) Itseorganisoituvat kartat eivät lopulta päätyneet toteutettavien visualisointitekniikoiden joukkoon. Energiasimulointi, siihen liittyvät muuttujat ja siitä saatavat tulokset ovat niin konkreettisia ja niihin liittyvät vaikutukset suhteellisen helposti ymmärrettävissä, ettei tämän visualisointitekniikan nähty tarjoavan sellaista lisäarvoa, jota muut visualisoinnit eivät olisi pystyneet tarjoamaan. Lisäksi visualisointiin liittyvät menetelmät ovat vaikeasti toteutettavia eikä itse visualisointiakaan voi pitää kovin helposti ymmärrettävänä Radar Chart Radar Chart (kuva 37) on vähintään kolmen muuttujan tai kohdefunktion visualisointiin tarkoitettu tasomainen diagrammi, joka koostuu kunkin visualisoitavan muuttujan tai kohdefunktion arvojoukkoa kuvaavasta akselista. Kaikkien akseleiden toinen pää on samassa pisteessä ja niiden kulma on kaikille sama. Ratkaisuun johtaneiden muuttujien ja niistä saatujen tulosten arvot merkitään akseleilla pisteinä, jotka yhdistetään viivoin. Viivojen rajaama alue voidaan myös korostaa täyttämällä se värillä. Tämän visualisoinnin avulla voidaan kuvata rakennuksen jalanjälkeä (Building Footprint), eli rakennuksen suunnitteluratkaisun suorituskykymittareiden arvoja. Vakioimalla tässä visualisoinnissa käytetyt suorituskykymittarit sekä niiden akseleiden sijainnit ja mahdollisesti arvoasteikot voidaan päästä tilanteeseen, jossa visualisoinnin käyttäjä näkee pelkän akseleita yhdistävien viivojen rajaaman alueen avulla rakennuksen ominaispiirteet hyvin intuitiivisesti kiinnittämättä huomioita muuttujia kuvaaviin teksteihin tai niiden arvoihin. 76

84 Kuva 37 - Rakennuksen jalanjälki Sankey-diagrammi Sankey-diagrammia käytetään erilaisten virtausten ja niiden suuruksien kuvaamiseen käytettävä visualisointi. Sitä kutsutaan myös energiavirtadiagrammiksi, mutta sen avulla voidaan visualisoida myös esimerkiksi materiaali- ja rahavirtoja. Visualisoinnissa kuvattava kokonaisvirtaus on jaettu osavirtauksiin, joiden leveys kertoo niiden suhteellisesta osuudesta kokonaisvirtauksessa verrattuna muihin osavirtauksiin. Osavirtausten yhteenlaskettu leveys vastaa kokonaisvirtausta. Visualisoinnilla voidaan myös kuvata erilaisten prosessien vaikutusta energiavirtoihin ja niiden suhteelliseen osuuteen. Energiavirrat voivat myös muuntua toisen luokittelun energiavirraksi, yhdistyä saman luokittelun energiavirraksi tai jakaantua eri energiavirroiksi. Näin saadaan kuva tarkasteltavan kokonaisprosessin ja sen osaprosessien energiavirtojen käyttäytymisestä ja niiden suhteellisista osuuksista. Sankey-diagrammin avulla voidaan kuvata yksittäisten suunnitteluratkaisujen ominaisuuksia energiantuotannon ja -kulutuksen osalta sekä vertailla suunnitteluratkaisuja, kuten kuvassa 38 on tehty. Visualisointi soveltuu suunnitteluratkaisujen vertailujen lisäksi muihinkin käyttötarkoituksiin simulointiprosessin analyyseissa. Se antaa helposti ymmärrettävän kuvan rakennuksen energiankäytöstä tarkasteltaessa yksittäisiä ratkaisuja lukemattomien muiden joukosta, ja mahdollistaa päättelyn asioista, joilla voidaan edelleen parantaa suunnitteluratkaisun energiatehokkuutta. Lisäksi sitä voidaan käyttää valittavaan suunnitteluratkaisuun liittyvässä raportoinnissa. Kuvan 38 mukaisen vertailun kannalta tulisi olla valittavissa myös vaihtoehtoinen visualisointi energiavirtojen suuruuksien vertailemiseksi suunnitteluratkaisujen välillä. Tällöin voidaan tuottaa tietoa energiankulutuksen eroista asettamalla suurempi energiankulutus vertailukohdaksi molemmille vertailtaville tapauksille. 77

85 Kuva 38 - Kahden vaihtoehtoisen ratkaisun vertailu Sankey-diagrammilla. (5) Interaktiivinen visualisointiympäristö Kehitettävällä energiasimulointiympäristöllä tuotettujen suunnitteluratkaisujen analysointiin tarvitaan useita muokattavissa olevia visualisointeja. Visualisoinneissa on voitava tarkastella muuttujien vaikutuksia tarkasteltaviin suorituskykymittareihin, jotta saadaan tietoa suunnitteluratkaisujen käyttäytymisestä ja prosessia voidaan ohjata haluttuun suuntaan. Vaatimuksena on myös suorituskykymittareiden yhtäaikainen tarkastelu ja mahdollisuus niiden painottamiseen. Visualisointien tulee olla helposti ymmärrettäviä, niiden tulee mahdollistaa intuitiivinen päättely ja olla hyödynnettävissä prosessin ohjauksessa aktiivisin toiminnoin. Periaatteellinen kuvaus kehitettävästä visualisointiympäristöstä on esitetty kuvassa 39 ja sen ominaisuuksia on esitelty kuvassa 40. Visualisointiympäristö on web-pohjainen ja siinä hyödynnettäviä ohjelmointitekniikoita ovat HTML, CSS ja SVG, joita käytetään valmiin JavaScript-kirjaston avulla. Kuvan 39 visualisointeihin on käytetty datana hyvin yksinkertaistetulla energiasimuloinnilla tuotetun 500 vaihtoehtoisen ratkaisun joukkoa. 78

86 Kuva 39 - Tuotettujen suunnitteluratkaisujen analysointiin kehitetyn interaktiivisen visualisointiympäristön periaatteellinen kuvaus. Kuvassa 40 on esitelty visualisointiympäristön ominaisuuksia. Ratkaisut on väritetty elinkaarikustannusten perusteella pienimmästä suurimpaan väriskaalalla sinisestä vihreän ja keltaisen kautta punaiseen. Visualisointiympäristö mahdollistaa ratkaisujen korostamisen jokaisesta visualisoinnista samanaikaisesti, mikä helpottaa yksittäisen ratkaisun tarkastelua monelta eri kannalta. Kuvassa voidaan nähdä käytettyjen muuttujien arvot korostetulle ratkaisulle PCP-visualisoinnin avulla. Korostettu ratkaisu on kahden kohdefunktion kannalta paras vaihtoehto, mutta HRV-visualisoinnissa huomioitujen neljän kohdefunktion kannalta korostettu ratkaisu ei ole edes lähellä parhaita ratkaisuja. Korostettu ratkaisu tulisi olla myös nähtävissä Building Footprint -visualisoinnin avulla kaikkien suorituskykymittareiden osalta. Visualisointien akseleilla esiintyvien suorituskykymittareiden tulee olla vaihdettavissa, lisättävissä ja poistettavissa sekä HRVvisualisoinnin osalta niille tulee olla mahdollista määrittää painoarvot. PCPvisalisoinnin osalta akseleiden paikat ovat muutettavissa ja tarkasteltavaa ratkaisujoukkoa on mahdollista rajata kaikilla akseleilla siten, että rajauksen ulkopuolelle jäävät ratkaisut muuttuvat harmaiksi. Rajaus on mahdollista tehdä usealle akselille yhtäaikaisesti. 79

87 Kuva 40 - Kehitetyn visualisointiympäristön periaatteellisen kuvauksen ominaisuuksia. Herkkyysanalyysin tulosten visualisointiin tavallinen pylväsdiagrammi on riittävä ja helposti ymmärrettävissä simuloinnissa käytettyjen muuttujien merkittävyyden tarkasteluun. Herkkyysanalyysin osalta on tarpeen esittää ainoastaan tarkasteltavien muuttujien suhteellista merkittävyyttä, joten minkäänlaisen arvoasteikon esittäminen ei ole tarpeen vaan sen esittäminen saattaa jopa heikentää visualisoinnin ymmärrettävyyttä. Muuttujien vaikutusten suuntaa ei ole tarpeen esittää, vaan yksinkertaisuuden ja ymmärrettävyyden vuoksi esitetään herkkyysanalyysin tulosten itseisarvot. Herkkyysanalyysissa on mahdollista esittää yksi tyyppimuuttuja (ei numeerinen, esimerkiksi rakennuksen pohjaratkaisu) asettamalla tämän muuttujan arvoilla saadut herkkyysanalyysin tulokset pylväsdiagrammiin rinnakkain. Tällöin voidaan kuitenkin esittää tulokset ainoastaan yhden suorituskykymittarin suhteen. Pylväsdiagrammissa muuttujat tulee järjestää niiden merkittävyyden perusteella. Yksittäisten ratkaisujen visualisointiin käytetään visualisointiympäristön yhteydessä Building Footprint -tyyppistä visualisointia suunnitteluratkaisun suorituskykymittareiden kuvaamiseen ja niiden valitsemiseen vertailua varten. Yksittäisen suunnitteluratkaisun visualisointiin voidaan käyttää Sankey-diagrammia kuvaamaan rakennuksen energiavirtoja, niiden suuruutta ja käyttäytymistä. Näiden lisäksi käytössä on Riuskaohjelmistossa oletuksena käytettävät taulukot ja visualisoinnit, kuten pysyvyyskäyrät ja eri tarkoituksiin käytettävät pylväsdiagrammit. Yksittäisen suunnitteluratkaisun visuali- 80

88 sointi tapahtuu kehittävässä visualisointiympäristössä korostamalla haluttu ratkaisu kuvan 40 tapaan, ja sen valitseminen vertailuun tapahtuu tässä samassa ympäristössä. Käytännössä tarvitaan kolme erilaista näkymää prosessin ohjaukseen ja tulosten analysointiin: parametrisointinäkymä, suuren ratkaisujoukon analysointiin tarkoitettu näkymä sekä muutaman suunnitteluratkaisun vertailuun käytettävä näkymä. Interaktiivisen päätöksentekoprosessin ohjaus on periaatteessa mahdollista yhdistää visualisointiympäristön interaktiivisiin toimintoihin, mutta ohjauksen toteuttaminen parametrisointinäkymässä on loogisempi ratkaisu. Esimerkiksi PCP-visualisoinnilla tehdyt rajaukset muuttujien arvoihin olisi järkevää voida siirtää suoraan muuttujien tietoihin siirryttäessä tulosten käsittelystä jälleen parametrisointiin Päätöksenteko Kehitettävässä simulointiprosessissa on päädytty hyödyntämään interaktiivista päätöksentekoa, koska sen on ajateltu tukevan paremmin rakennuksen suunnittelua ja eri osapuolten välistä yhteistyötä sekä mahdollistavan nykyisten työskentelymenetelmien tehokkaamman hyödyntämisen ja uudenlaisten työskentelytapojen kehittämisen. Rakennusten suunnitteluratkaisut ovat niin yksilöllisiä ja niihin liittyvät ratkaisut sijainnista riippuvia, ettei päätöstä suunnitteluratkaisun tavoitteista voida tehdä ennen simulointiprosessin aloittamista. Toisaalta ei myöskään haluta tuottaa kaikkia suunnitteluratkaisuja päätöksentekoa varten. Päätöksenteko ja prosessin ohjaaminen perustuvat simulointikierroksiin, jotka tehdään päätöksentekijän määrittämien parametrisointien perusteella. Simulointikierroksen tuloksista ja niistä koostetuista analyyseista päätöksentekijä saa palautetta tekemiensä päätöksien vaikutuksista ja saavutettavissa olevista tuloksista sekä pystyy ohjaamaan prosessia oikeaan suuntaan tai palaamaan prosessissa taaksepäin. Interaktiivinen päätöksenteko mahdollistaa päätöksentekijän preferenssien ja rakennuksen suunnitteluratkaisun tuottamiseen liittyvien mitattomien arviointikriteerien huomioimisen. Eri osapuolten näkemykset, kokemukset ja osaamisen huomioivalla päätöksentekoprosessilla voi olla sitouttava vaikutus. Interaktiivista päätöksentekoa suorittaessaan päätöksentekijä on jatkuvassa oppimisprosessissa, mikä on tärkeää erityisesti osapuolille, joilla ei vielä ole tarkkaa käsitystä energiatehokkuuteen vaikuttavista asioista ja niiden suuruudesta. Kun prosessin ohjaaminen on käyttäjän hallinnassa, on mahdollista nähdä myös ei-halutut ratkaisut ja niihin johtaneet syyt. Päätöksentekoympäristö, jota käytetään ratkaisujoukossa liikkumiseen päätöksentekijän ohjaamana, ei anna kovin hyvää kokonaiskuvaa tarkasteltavasta ongelmasta ja sen soveltuminen kokonaisen suunnitteluryhmän päätöksentekoon ei ole mielekästä. Interaktiiviseen visualisointiympäristön avulla tarkasteltava ongelma ja siihen liittyvät vaikutukset ovat helposti hahmotettavissa suunnitteluratkaisujen analysoinnissa ja niiden tuottamiseen liittyvä päätöksenteko ja ohjaus ovat helposti ymmärrettävissä. 81

89 4. Energiasimulointiprosessin demonstrointi Tässä luvussa demonstroidaan kehitettyä simulointiprosessia ja siihen liittyvän simulointiympäristön osia yksinkertaistetusti. Nämä ovat käytännössä niitä osia, joille tässä työssä on haettu kehitysperusteita ja joiden soveltaminen on mahdollista erillisinä ennen varsinaisen simulointiympäristön toteutusta. Tämä tarkoittaa käytännössä sitä, että suunnitteluratkaisujen määrittäminen ja niiden simulointi on toteutettava manuaalisesti tai yksinkertaisia apuohjelmia käyttäen. Myöskään tulosten käsittelyä ja visualisointien tuottamista ei ole voitu automatisoida vielä tässä vaiheessa. Tämänkaltainen vaiheistus tuottaa todennäköisesti lisää kehitysperusteita ja simulointiympäristön toteutuksessa ilmeneviä ongelmia pystytään osoittamaan ennalta. Toisaalta tällä demonstroinnilla on tarkoituksena myös vahvistaa jo määriteltyjä kehitysperusteita ja päätelmiä. On kuitenkin huomioitava, että demonstrointia on jouduttu yksinkertaistamaan, mikä ei välttämättä tuota täysin todellista kuvaa simulointiympäristön toiminnasta. Kehitettävällä simulointiympäristöllä olisi mahdollista huomioida huomattavasti enemmän muuttujia ja erityisesti suuremman määrän muuttujille määritettäviä arvoja. Muuttujien yhteisvaikutuksia olisi enemmän ja niiden analysointi olisi haastavampaa, mikä tarkoittaisi suurempaa määrää simulointikierroksia ja mahdollisia suunnitteluratkaisuvaihtoehtoja. Tällöin myös simulointiympäristön hyödyt korostuisivat paremmin. Suunnitteluratkaisujen tarkastelu on myös rajoittunutta ja vaatii paljon subjektiivista päätöksentekoa, koska kustannuksiin liittyvät analyysit käsitellään vasta osana suurempaa kokonaisuutta. Kehitetyn prosessin demonstrointiin on käytetty samoja rakennusten tietomalleja, joita on käytetty myös Sinisalon diplomityössä. Rakennusten sijainti, tilat ja niiden määrittelyt sekä muut parametrit ovat pääosin samoja lukuun ottamatta tarkasteltavia muuttujia. Demonstroinnin yhteydessä on tehty myös herkkyysanalyysia koskevia tarkasteluja, joilla on pyritty selvittämään herkkyysanalyysimenetelmien ominaisuuksia ja niiden toimintaan vaikuttavia tekijöitä. Nämä tarkastelut on tehty osana simulointiprosessin demonstrointia, jotta manuaalisesti tehtävien työläiden tarkastelujen määrää voidaan vähentää. Demonstroinnissa on ollut mukana kaikki aiemmin mainitut rakennuksen suorituskyvyn mittarit olosuhteita lukuun ottamatta. Käytetty RIUSKA-ohjelmisto ei tuota vielä tarvittavia tietoja olosuhdemittarointia varten, mutta tämä ominaisuus lisätään simulointiympäristön kehitystyön yhteydessä. Regressiomenetelmien tulokset on tuotettu tilastolaskennassa usein käytetyllä R-ohjelmistolla. Simulointiprosessi alkaa rakennuksen ja siihen liittyvien parametrien määrittelyllä. Tarkasteltava rakennus on Kuopion Syväsalmessa sijaitseva päiväkoti- ja koulurakennus. Kohteessa on huomioitu käyttötarkoitukselle sopivat käyttöajat sekä tilatyypeille määriteltävät ilmamäärät ja lämpökuormat. Koko rakennus on määritetty muuttuvailmavirtainen ilmanvaihtojärjestelmä, ja ainoa ilmanvaihdon jäähdytyksellä varustettu palvelualue 82

90 on keittiötilat, mikä on huomioitava tuloksia tarkasteltaessa. Oletuksena rakennus saa kaiken lämmitykseen käytetyn energian kaukolämpöverkosta. Kehitetyn prosessin ja siihen liittyvien menetelmien lisäksi tässä luvussa on myös demonstroitu pilvipalveluiden hyödyntämistä energiasimuloinnin prosessoinnissa. Demonstroinnissa on tarkoitus selvittää prosessointiin tarvittava aika yksityiskohtaisesti pilvipalvelun hyödyntämisessä vaadituille toimenpiteille. Prosessointiin tarvittavan ajan perusteella pyritään arvioimaan pilvipalvelusta saatavaa hyötyä ja toisaalta sen käytöstä aiheutuvia ongelmia. Varsinainen tarkastelu pilvipalveluun liittyen on tehty simulointiympäristön kehitystyön yhteydessä, mutta kuitenkin tämän työn ulkopuolella. Tämän työn puitteissa raportoidaan ainoastaan saadut tulokset Ensimmäinen simulointikierros Ensimmäisen simulointikierroksen tarkoituksena on antaa kuva valittujen muuttujien merkittävyydestä sekä saavutettavissa olevista rakennuksen suorituskykymittareiden arvoista. Simulointiprosessin normaalista kulusta poiketen tässä tapauksessa ensimmäisellä simulointikierroksella haetaan myös perusteita aiemmin esitetyn herkkyysanalyysiin käytettävän vaikutuskertoimen (IC, influence coefficient) käytön edellyttämän perustapauksen määrittämiseen. Lisäksi ensimmäisellä kierroksella on demonstroitu vaihtoehtoisille muuttujien arvoille määritettyjen vaikutuskertoimien keskiarvon laskentatapojen vaikutusta herkkyysanalyysin tuloksiin Parametrisointi ja simuloitavien tapausten määrittely Tarkasteltaviksi muuttujiksi on määritelty päätöksentekijää eniten kiinnostavia, rakennuksen energiatehokkuuteen vaikuttavia ja alkuvaiheen suunnittelun kannalta olennaisia muuttujia. Muuttujien valintaan ovat vaikuttaneet myös tekniset rajoitukset, joita kehitettävän simulointiympäristön puuttuminen ja manuaalinen demonstrointi aiheuttaa. Herkkyysanalyysia suoritettaessa on myös huomioitu muuttujan tyyppi, jonka on oltava numeerisesti esitettävissä oleva suure tai ominaisuus. Myös ikkunatyypin kaltaisia tyyppimuuttujia olisi voinut käyttää, mutta ne olisi täytynyt jaotella herkkyysanalyysissa niihin liittyvien ominaisuuksien mukaan U-arvoon ja läpäisevyyteen. Ensimmäisen simulointikierroksen muuttujat ja niiden mahdolliset arvot ovat esitetty taulukossa 2. Taulukossa esitettyjen muuttujien lisäksi muuttujana on käytetty myös rakennuksen muotoa. Kuvassa 41 on esitetty kaksi lähes identtiset tilat ja laajuustiedot omaavaa vaihtoehtoista muotoa. Rakennuksen muodon kaltaisia tyyppimuuttujia on käytännön syistä järkevää olla tässä tarkastelussa vain yksi. Ikkuna-aukotusprosentti kuvaa ikkunoiden yhteenlasketun pinta-alan osuutta rakennuksen ulkoseinien yhteenlasketusta pinta-alasta. Ikkuna-aukotusprosentin alin arvo on määritelty siten, että se vastaa noin 15 % osuutta rakennuksen lattiapinta-alasta. 83

91 Taulukko 3 - Ensimmäisellä simulointikierroksella käytetyt muuttujat ja niiden mahdolliset arvot. Muuttuja Ikkuna-aukotusprosentti (%) Seinien U-arvo (W/m 2 K) 0,17 0,14 Yläpohjan U-arvo (W/m 2 K) 0,14 0,1 Rakennuksen suuntaus Ikkunoiden U-arvo (W/m 2 K) 1 0,6 0,8 LTO:n hyötysuhde (%) Kuva 41 - Rakennuksen kaksi vaihtoehtoista muotoa: X-muoto ja L-muoto. Simuloitujen tapausten määrän määrittää tässä tapauksessa herkkyysanalyysimenetelmä. Vaikutuskerroin lasketaan jokaiselle muuttujalle erikseen käyttäen päätöksentekijän määrittelemää perustapausta. Taulukon 2 mukaisilla muuttujilla ja niiden mahdollisilla arvoilla tulee simuloitavaksi 12 tapausta. Kun huomioidaan lisäksi rakennuksen vaihtoehtoiset muodot, on simuloitavien laskentatapausten määrä rakennuksen muuttujien ja muotojen vertailussa 24 kappaletta. Näiden simulointien tulokset on esitetty liitteessä 1. Herkkyysanalyysimenetelmän käytön edellyttämän perustapauksen määrittämisen vaikutuksen demonstroinnissa on käytetty kolmea eri perustapausta, joista yhtä on käytetty myös rakennusmuotojen ja muuttujien herkkyysanalyysissä. Perustapausten määrittämisen vaikutusten demonstroinnissa on siis tehty edellisten simulointien lisäksi 24 simulointia. Eri perustapausten simulointien tulokset on esitetty liitteessä 2. Rakennuksen energiankulutusta on käytetty herkkyysanalyysissa simuloinnin tuloksena Herkkyysanalyysi Herkkyysanalyysin tulokset erilaisilla perustapauksilla on esitetty kuvissa 42 ja 43 rakennuksen X-muodolle. Kuvan 42 vaikutuskertoimien keskiarvot on laskettu muuttujien arvojen saamien vaikutuskertoimien itseisarvoista, ja kuvan 43 vaikutuskertoimien keskiarvot on laskettu ilman itseisarvon ottamista. Perustapaukset on määritelty taulukon 2 arvoista siten, että minimiarvoilla tarkoitetaan ensimmäisen sarakkeen arvoja muuttujil- 84

92 le, keskimääräisillä arvoilla tarkoitetaan toisen sarakkeen arvoja ja asiantuntijan määrittelemässä perustapauksessa on käytetty muuten ensimmäisen sarakkeen arvoja, mutta LTO:n hyötysuhde on toisesta sarakkeesta. Kuvien 42 ja 43 tuloksista voidaan havaita, että vaikutuskertoimen keskiarvon laskeminen ilman itseisarvojen ottamista aiheuttaa muuttujan vaikutusten kumoutumista, kun perustapaus kuvaa muuttujan keskimääräistä arvoa ja muut arvot vaikuttavat tarkasteltavaan tulokseen sekä negatiivisesti että positiivisesti. Tämä voidaan nähdä erityisesti LTO:n hyötysuhteen vaikutuskertoimessa, jonka arvo on merkittävästi pienempi kuin itseisarvojen keskiarvolla laskettuna. Muuttuja voi siis todellisuudessa olla hyvinkin merkittävä ja silti näkyä tuloksissa huomattavasti merkityksettömämpänä. Tämä havainto vahvistaa aiemman näkemyksen siitä, että herkkyysanalyysilla ei haluta esittää vaikutuksen suuntaa vaan ainoastaan sen suuruutta. Itseisarvojen ottaminen on tulosten luotettavuuden kannalta välttämätön toimenpide, jonka suorittaminen poistaa mahdollisuuden vaikutuksen suunnan tarkasteluun. Perustapauksen valinnan vaikutus ei tässä tapauksessa ole kovinkaan suuri. Kuvasta 42 voidaan nähdä, että perustapauksen energiatehokkuuden kasvaessa muuttujien suhteellinen vaikutus energiatehokkuuteen kasvaa ja siten myös muuttujien vaikutuskertoimen arvo suurenee. Ikkunoiden U-arvon osalta vaikutuksen kasvamista selittää myös ikkunaaukotusprosentin suureneminen, mutta toisaalta sama asia pienentää seinien U-arvon vaikutusta. Ikkuna-aukotusprosentin ja rakennuksen suuntauksen pientä merkittävyyttä selittää osaltaan jäähdytyksen puuttuminen ja niistä koituvien hyödynnettävien ja haitallisten lämpökuormien toisiaan kumoava vaikutus. Mikäli energiankulutuksen sijasta herkkyysanalyysi olisi tehty olosuhteille tai lämmityksen ja jäähdytyksen huipputehoille, olisivat vaikuttavuudet voineet olla hyvin erilaisia. 85

93 0,500 Vaikutuskerroin, itseisarvojen keskiarvo 0,400 0,300 0,200 0,100 0,000 Perustapaus: minimiarvot Perustapaus: asiantuntijan määrittelemä Perustapaus: keskimääräiset arvot Kuva 42 - Muuttujien vaikutuskertoimet rakennuksen energiankulutukselle eri perustapauksilla. Vaikutuskertoimien keskiarvot on laskettu kunkin muuttujan arvon saaman vaikutuskertoimen itseisarvosta. 0,500 Vaikutuskerroin, keskiarvo 0,400 0,300 0,200 0,100 0,000 Perustapaus: minimiarvot Perustapaus: asiantuntijan määrittelemä Perustapaus: keksimääräiset arvot Kuva 43 - Muuttujien vaikutuskertoimet rakennuksen energiankulutukselle eri perustapauksilla. Vaikutuskertoimien keskiarvot on laskettu kunkin muuttujan arvon saaman vaikutuskertoimista ilman muita toimenpiteitä. 86

94 0,500 0,400 0,300 0,200 0,100 0,000 Rakennuksen muoto ja sijainti L-muoto X-muoto X-muoto, Saksa Kuva 44 - Rakennuksen muodon ja sijainnin vaikutus herkkyysanalyysin tuloksiin. Kuvassa 44 on esitetty rakennuksen muodon ja sijainnin vaikutusta herkkyysanalyysin tuloksiin. Tuloksista voidaan todeta, ettei rakennuksen muodolla ole tässä tapauksessa merkittävää vaikutusta muuttujien keskinäisiin tai rakennusmuotojen väliseen suhteelliseen merkittävyyteen. Edelleen on kuitenkin huomioitava, ettei tarkastelussa ole mukana jäähdytystä ja että tarkasteltavan mittarin valinnalla tulokset saattavat olla toisenlaiset. Tarkasteltaessa liitteessä 1 taulukoituja energiankulutuksen arvoja rakennuksen vaihtoehtoisten muotojen välillä, voidaan todeta, että rakennuksen muodolla on selkeä vaikutus rakennuksen energiankulutukseen huolimatta siitä, ettei vaikutus ollut merkittävä herkkyysanalyysin tuloksissa. Kuvassa 44 on myös esitetty rakennuksen X-muodolle simuloidut tulokset saksalaisilla säätiedoilla. Rakennuksen sijainnilla on selkeä vaikutus muuttujien merkittävyyteen, ja sen vaikutus olisi todennäköisesti vielä suurempi, mikäli jäähdytys otettaisiin huomioon. Tässä tarkastelussa rakennuksen vaihtoehtoisen muodot on pyritty saamaan laajuustiedoiltaan ja tiloiltaan mahdollisimman identtisiksi, mikä on huomioitava tuloksia arvioitaessa. Tämän takia yleisesti käytettäviä rakennustyyppikohtaisia herkkyysanalyysin tuloksia tuskin voidaan tuottaa ja soveltaa. Lisäksi jo rakennuksen sijainnin on voitu todeta vaikuttavan tuloksiin niin merkittävästi, että herkkyysanalyysi tulisi suorittaa aina kullekin tarkasteltavalle rakennukselle erikseen Tulosten käsittely ja päätöksenteko Ensimmäisellä simulointikierroksella on tarkasteltu ainoastaan herkkyysanalyysin tuloksia, eikä varsinaisten suorituskykymittareiden tarkastelua ole tarkoitus tehdä näin pienellä ja rajatulla simulointien määrällä. Suorituskykymittareita on tarkasteltu ainoas- 87

95 taan niiden arvojen suuruusluokkien perusteella. Herkkyysanalyysin osalta tullaan jatkossa käyttämään muuttujien arvojen vaikutuskertoimien itseisarvojen keskiarvoja. Tarkasteltujen tulosten perusteella LTO:n hyötysuhde on merkittävin muuttuja, ja sen pienimmillä arvoilla ei saavuteta energiatehokkaita ratkaisuja. Rakennuksen suuntauksella sen sijaan ei tässä tapauksessa ole vaikutusta vuotuiseen energiankulutukseen, eikä sillä oleteta olevan suurta vaikutusta kustannuksiin. X-muodon voitiin myös todeta olevan selkeästi L-muotoa energiatehokkaampi. Näiden johtopäätösten perusteella voidaan tehdä seuraavanlaiset päätökset seuraavaa simulointikierrosta varten: Rakennuksen suuntaus jätetään pois tarkasteluista. LTO:n hyötysuhteen arvoja rajataan 60 ja 80 %:n välille. L-muoto jätetään pois tarkasteluista. Lisätään muuttujaksi maalämpöpumpun osuus tuotetusta lämmitysenergiasta. 4.2 Toinen simulointikierros Toisen simulointikierroksen tarkoituksena on edelleen tarkastella valittujen muuttujien merkittävyyttä sekä ottaa huomioon tarkemmin varsinaisia suorituskykymittareita. Varsinaisen rakennuksen suunnitteluratkaisuja tuottavasta simulointiprosessista poiketen tämän simulointikierroksen yhteydessä demonstroidaan myös erilaisten herkkyysanalyysiin käytettävien menetelmien käyttöä sekä niiden ominaisuuksia ja rajoituksia. Tarkasteltavat menetelmät on valittu kehitysperusteita käsittelevän luvun perustelujen pohjalta. Tarkasteltavat menetelmät ovat vaikutuskerroin IC sekä regressiomenetelmät. Tällä kierroksella tehtyjen simulointien tulokset on esitetty liitteessä Parametrisointi ja simuloitavien tapausten määrittely Toisella simulointikierroksella käytetyt taulukon 3 muuttujat ja niiden arvot ovat muilta osin ensimmäistä kierrosta vastaavia, mutta LTO:n hyötysuhteen arvoaluetta on rajattu, rakennuksen suuntaus on jätetty pois ja maalämpöpumpun osuus tuotetusta energiasta on lisätty muuttujaksi. Maalämpöpumpun osuudessa on huomioitava, että se lasketaan simuloinnin määrittämästä energiantarpeesta, eikä tunneittain tehtävää valintaa tuotantomuotojen välillä tehdä. Lisäksi vaihtoehtoisten rakennuksen muotojen energiankulutuksen perusteella vain X-muoto (kuva 45) on otettu jatkotarkasteluun mukaan. Tällä simulointikierroksella sovelletaan useaa herkkyysanalyysimenetelmää ja niitä sovelletaan kaikille käytössä oleville rakennuksen suorituskyvyn mittareille. Vaikutuskertoimelle simuloitavat tapaukset ja niiden määrä määräytyvät samalla tavalla kuin edelliselläkin kierroksella, eli simulointeja täytyy suorittaa 12 kappaletta. Regressiomenetelmille on kuitenkin käytettävä satunnaista otantaa, jossa luotettavia tuloksia tuottavassa herkkyysanalyysissa simuloitavien tapausten määräksi on aiemmin tässä työssä määritelty noin tapausta. Tulosten luotettavuuden varmistamiseksi satunnaisia simu- 88

96 lointeja on tehty 100 kappaletta. Satunnainen otanta on tehty lyhyellä Visual Basicohjelmalla Excel-taulukkoon käyttäen Visual Basic n omaa satunnaisuusfunktiota. Taulukko 4 - Toisella simulointikierroksella käytetyt muuttujat ja niiden mahdolliset arvot. Muuttuja Ikkuna-aukotusprosentti (%) Seinien U-arvo (W/m 2 K) 0,17 0,14 Yläpohjan U-arvo (W/m 2 K) 0,14 0,1 MLP:n osuus (%) Ikkunoiden U-arvo (W/m 2 K) 1 0,6 0,8 LTO:n hyötysuhde (%) Kuva 45 - Toisella simulointikierroksella käytettty rakennuksen muoto Herkkyysanalyysi Herkkyysanalyysin tulokset on esitetty eri menetelmille ja suorituskykymittareille kuvassa 46. Kaikissa käytetyissä menetelmissä kvalitatiivinen järjestys muuttujien merkittävyydelle on lähes sama. PRCC tuottamat tulokset eivät havainnollista lainkaan muuttujien välistä suhteellista merkittävyyttä, ja SRC:n sekä SRRC:n tulokset ovat lähes identtiset, joten ainoastaan vaikutuskertoimen ja SRC:n vertaileminen on tässä tapauksessa mielekästä. Tämä pätee kaikille rakennuksen suorituskyvyn mittareille, joille herkkyysanalyysi on tehty, sekä kuvassa 47 esitettyyn energian hintojen vaikutuksia kuvaavaan vertailuun. Tässä tapauksessa tarkoituksena on antaa kuva muuttujien herkkyydestä yleisemmillä energian hinnoilla, mutta samalla voidaan kuvata yksinkertaista skenaariotarkastelua. Kuvan 46 vaikutuskertoimen ja SRC:n suurin ero on LTO:n hyötysuhteen merkittävyydessä energiankulutuksen kannalta. Tämä ero johtuu käytettyjen menetelmien eroista erityisesti niiden lokaalin ja globaalin luonteen takia. Vaikutuskerroin käyttää vertailukohtana perustapausta, joka on tässä tapauksessa taulukon 3 ensimmäisen sarakkeen muuttujien arvot. Vaikutuskertoimen perustapauksessa maalämpöpumpun osuus on 0 %, eli kaikki kulutettu lämpöenergia on kaukolämpöä. Näin ollen LTO:lla saavutettu 89

97 hyöty on suuri, koska muutosta LTO:n hyötysuhteessa verrataan ainoastaan tähän perustapaukseen. SRC sen sijaan satunnaista otantaa hyödyntävänä globaalina menetelmänä ottaa huomioon myös tapaukset, joissa maalämpöpumpun osuus tuotetusta lämmitysenergiasta on suurempi, ja siten LTO:lla saavutettu hyöty pienempi ja sen merkitys muuttujana alhaisempi. Toinen merkittävä ero on ikkuna-aukotusprosentin merkittävyydessä energiankulutukseen. Vaikutuskertoimen perustapauksessa ikkunalla on mahdollista U-arvoista huonoin vaihtoehto. Tällöin ikkuna-aukotusprosentin kasvaessa merkitys energiankulutukseen on verrattain suuri ja vastaavasti sen merkittävyys muuttujana kasvaa. SRC ottaa huomioon myös ne tapaukset, joissa ikkunalla on parempi U-arvo ja ikkunaaukotusprosentin vaikutus siten pienempi. Vaikutuskertoimen voidaan todeta epäonnistuvan muuttujan vaikutusten huomioimisessa koko mahdollisen energiankulutuksen ratkaisujoukon alueella sekä LTO:n hyötysuhteen ja ikkuna-aukotusprosentin osalta. IC SRC 0,500 0,400 0,300 0,200 0,100 0,000 1,000 0,800 0,600 0,400 0,200 0,000 SRRC PRCC 1,000 0,800 0,600 0,400 0,200 0,000 1,000 0,800 0,600 0,400 0,200 0,000 Kuva 46 - Eri herkkyysanalyysimenetelmien tulokset kaikille käytössä oleville rakennuksen suorituskykymittareille. Energian hinnat todellisessa sijainnissa: kaukolämpö 75,5 /MWh ja sähkö 81,3 /MWh. 90

98 Päästökertoimella painotetun energiankulutuksen osalta muuttujien herkkyydet eroavat merkittävästi herkkyyksistä muille suorituskykymittareille. Regressiomenetelmien osalta energiankulutusta pienentävien muuttujien merkittävyys korostuu, koska menetelmä ottaa huomioon myös maalämpöpumpun osuutta energiantuotannosta. Vaikutuskertoimen osalta vertailu tapahtuu ainoastaan perustapaukseen, jossa on ainoastaan kaukolämpöä. Tässä tilanteessa päästökertoimella painotetun energiakulutuksen laskentatapa rankaisee maalämpöpumpun käyttämästä sähköstä enemmän kuin mitä maalämpöpumppu vähentää ulkoisen energian tarvetta, jolloin myös energiaa säästävien muuttujien vaikutus pienenee. 0,500 0,400 0,300 0,200 0,100 0,000 IC 1,000 0,800 0,600 0,400 0,200 0,000 SRC 1,000 0,800 0,600 0,400 0,200 0,000 SRC 1,000 0,800 0,600 0,400 0,200 0,000 PRCC Kuva 47 - Eri herkkyysanalyysimenetelmien tulokset energiakustannuksille erilaisilla energian hinnoilla. Helsingin hinnat: kaukolämpö 45 /MWh ja sähkö 90 /MWh. Kuvassa 47 on tarkasteltu ainoastaan energian hintojen vaikutusta muuttujien merkittävyyteen eri herkkyysanalyysimenetelmillä. Kaukolämmön ja sähkön hintojen suuremmalla erolla vaikutuskertoimelle määritetystä perustapauksesta tulee suhteellisesti pa- 91

99 rempi vaihtoehto, jolloin myös muuttujien herkkyydet pienenevät. Erityisesti maalämpöpumpun osuuden merkittävyys pienenee sen alentuneen hyödyn takia. Regressiomenetelmien käyttämän kattavamman ratkaisujoukon takia maalämpöpumpun osuus säilyy merkittävimpänä muuttujana energian hintojen suuresta muutoksesta huolimatta. Regressiomenetelmillä tuotettuja tuloksia on hieman vaikeampi vertailla, koska ne ovat suhteellisia ja saavat arvoja vain välillä nollasta ykköseen. Muuttujien merkittävyyden muutokset näkyvät maalämpöpumpun merkittävyyden pienenä pudotuksena ja muiden muuttujien merkittävyyksien nousuna Tulosten käsittely ja päätöksenteko Toisella simulointikierroksella tarkastellaan herkkyysanalyysin tulosten lisäksi rakennuksen suorituskyvyn mittareita laajemmin. Tarkoituksena on oppia rakennuksen käyttäytymisestä näiden mittareiden valossa sekä löytää energiatehokkaisiin suunnitteluratkaisuihin johtaneita syitä ja muuttujien välisiä yhteyksiä. Tulosten esittämiseen on käytetty tämän työn yhteydessä kehitettävän visualisointiympäristön prototyyppiä. Visualisoidut tulokset ovat esitetty kuvassa 48 ja ne edustavat regressiomenetelmien takia tehdyn satunnaisen otannan tuottamia 100 suunnitteluratkaisua. Kuva 48 - Satunnaisella otannalla tuotetut 100 suunnitteluratkaisua visualisoituna kehitettävän visualisointiympäristön prototyypissä. 92

100 Energiakustannusten ja energiankulutuksen kuvaajassa voidaan nähdä neljä lineaarisesti käyttäytyvää ryhmää, jotka vastaavat kullakin maalämpöpumpun osuudella simuloituja suunnitteluratkaisuja. Yleisenä johtopäätöksenä kuvasta voidaan sanoa, että tämä ja oikean yläkulman HRV-visualisointi eivät toimi kovinkaan hyvin suorituskykymittareilla, jotka ovat toistensa johdannaisia; energiakustannukset ja energiankulutuksen CO 2 - päästöt ovat yksinkertaisia tuloja niihin liittyvien parametrien ja energiankulutusten välillä. Aiemmin esitettyinä elinkaari- ja investointikustannusten kanssa visualisoinnit olivat huomattavasti havainnollisempia. Myös PCP-visualisoinnin toiminta on hieman heikentynyt tehtyjen yksinkertaistuksien ja vähäisten muuttujien arvojen vuoksi. Herkkyysanalyysin tulosten perusteella voidaan sanoa, ettei seinien U-arvolla ole suurta merkitystä suunnitteluratkaisun energiatehokkuuden kannalta verrattaessa muihin tarkasteltaviin muuttujiin. Seinien U-arvo on riippuvainen käytetystä rakennetyypistä, joka taas vaikuttaa olennaisesti rakennuskustannuksiin ja -aikaan sekä mahdollisesti rakennuksen ulkonäköön. Vaikka seinien U-arvon merkittävyys energiatehokkuuden kannalta ei olisikaan kovin suuri, ei sitä voida jättää pois tarkasteluista, ennen kuin sen vaikutusta rakennuksen kustannuksiin ja ulkonäköön on voitu arvioida. Sama pätee ikkunoiden U- arvon ja sitä kautta käytettävään ikkunatyyppiin etenkin kasvavalla ikkunaaukotusprosentilla. Sen sijaan yläpohjan U-arvolla ei oleteta olevan kovin merkittävää vaikutusta kustannuksiin tai muihin huomioitaviin mittareihin kuin energiatehokkuuteen. Saatujen tulosten visualisointien perusteella LTO:n hyötysuhde ei ole enää dominoiva muuttuja, vaan energiatehokkaita suunnitteluratkaisuja saavutetaan kaikilla muuttujan arvoilla. Sen sijaan energiatehokkaimmat ratkaisut saavutetaan ainoastaan korkealla maalämpöpumpun osuudella tuotetusta lämmitysenergiasta. E-luvun kannalta tilanne on tulosten ja muuttujien osalta hieman erilainen. E-luvun kannalta hyvät tulokset painottuvat huomattavasti enemmän suunnitteluratkaisuihin, joissa on hyvä LTO:n hyötysuhde. LTO:n hyötysuhteen voidaan sanoa dominoivan E- luvulla saavutettavia arvoja. Toisaalta päiväkoti- ja koulurakennukselle rakennusmääräyksissä vaaditun E-luvun arvo saavutetaan kaikilla ratkaisuilla, joissa LTO:n hyötysuhde on vähintään 70 %. Samalla myös pienemmällä maalämpöpumpun osuudella, eli suuremmalla kaukolämmön osuudella, on mahdollista saavuttaa hyviä E-luvun arvoja. Selkeästi tarkasteltavien suunnitteluratkaisujen keskimääräistä korkeammalla energiankulutuksella on mahdollista saavuttaa selkeästi keskimääräistä pienempi E-luku, kun lämmitysenergia otetaan kaukolämmöstä. Nämä seikat tulevat paremmin esille, kun käytetään visualisointiympäristön rajausominaisuuksia. Esitettyjen johtopäätösten perusteella voidaan tehdä seuraavanlaiset päätökset seuraavaa simulointikierrosta varten: LTO:n hyötysuhteen arvoja rajataan edelleen 70 ja 80 %:n välille. Maalämpöpumpun osuuden arvoja rajataan 70 ja 100 %:n välille. Yläpohjan U-arvo jätetään pois tarkastelusta. 93

101 4.3 Kolmas simulointikierros Kolmannella simulointikierroksella on tarkoitus rajata muuttujia edellisen kierroksen johtopäätösten mukaisesti ja tuottaa rajatuilla muuttujien arvoilla kaikki mahdolliset suunnitteluratkaisut lopullista päätöksentekoa varten. Tuotetuista suunnitteluratkaisuista valitaan muutama energiatehokas suunnitteluratkaisu subjektiiviseen vertailuun. Tavoitteena on löytää suorituskykymittareiden perusteella lähes yhtä hyviä ratkaisuja, joiden toteutustavat poikkeavat toisistaan muiden kuin arvioitavien seikkojen osalta. Tällä kierroksella tehtyjen simulointien tulokset on esitetty liitteessä Parametrisointi ja simuloitavien tapausten määrittely Tällä kierroksella maalämpöpumpun osuutta tuotetusta energiasta ja LTO:n hyötysuhdetta on rajattu sekä yläpohjan U-arvo on lukittu parametriksi melko merkityksettömänä sekä energiatehokkuuden mittareiden että subjektiivisesti arvioitavien kriteerien perusteella. Taulukon 4 muuttujien arvoilla simuloitavia suunnitteluratkaisuja on yhteensä 162 kappaletta. Osa näistä suunnitteluratkaisuista on jo simuloitu edellisillä kierroksilla, joten kaikkia simulointeja ei tarvitse tehdä. Taulukko 5 - Kolmannen simulointikierroksen muuttujat ja niiden mahdolliset arvot. Muuttuja Ikkuna-aukotusprosentti (%) Seinien U-arvo (W/m 2 K) 0,17 0,14 MLP:n osuus (%) Ikkunoiden U-arvo (W/m 2 K) 1 0,8 0,6 LTO:n hyötysuhde (%) Herkkyysanalyysi Tällä simulointikierroksella herkkyysanalyysin tekeminen ei ole oleellista eikä sitä voi juurikaan hyödyntää tulosten analysoinnissa, kun valitaan lopullisia suunnitteluratkaisuja vertailua varten. Analyysi on kuitenkin tehty demonstroimaan muuttujien rajausten vaikutusta herkkyysanalyysin tuloksiin. Tässä tapauksessa sähkön ja kaukolämmön hintojen pienestä erosta johtuen energiakustannusten herkkyysanalyysin tulokset ovat lähes vastaavia energiankulutuksen herkkyysanalyysin tulosten kanssa, joten erillistä tarkastelua ei ole tarpeen tehdä. Myös päästöjen herkkyysanalyysin tulosten on tässä tapauksessa voitu todeta seuraavan melko tarkasti energiankulutuksen herkkyysanalyysin tuloksia. Erilaisilla energiantuotantomuodoilla, päästökertoimilla ja energianhinnoilla näiden mittareiden tarkastelu olisi kuitenkin tarpeen. SRC-menetelmällä tuotetut herkkyysanalyysin tulokset tarkastelluille muuttujille on esitetty kuvassa 49 energiankulutuksen ja E-luvun osalta. Seinien U-arvon vaikutus 94

102 energiatehokkuuteen on edelleen hyvin merkityksetön, mutta ikkunoihin liittyvien muuttujien suhteellinen merkittävyys on kasvanut LTO:n hyötysuhteen tasolle sekä energiankulutuksen että E-luvun osalta. Energiankulutuksen kannalta maalämpöpumpun osuus lämmitysenergiantuotannosta on edelleen selkeästi merkittävin muuttuja, mutta E-luvun osalta se on pienempi mutta lähes samaa tasoa kuin LTO:n hyötysuhde ja ikkunoihin liittyvät muuttujat. LTO:n hyötysuhteen merkityksen pieneneminen on edelleen seurausta suuremman maalämpöpumpun osuuden aiheuttamasta hyödyn pienenemisestä energiankulutuksen osalta. 1,000 0,800 0,600 0,400 0,200 0,000 SRC Energiankulutus E-luku Kuva 49 - Kolmannen simulointikierroksen herkkyysanalyysin tulokset energiankulutukselle ja E- luvulle Tulosten käsittely ja päätöksenteko Tuotetut suunnitteluratkaisut on esitetty kuvassa 50 kehitettävässä visualisointiympäristössä. Kuvasta voidaan todeta, että muuttujille tehtyjen rajausten takia suorituskykymittareilla saavutettavat arvoalueet ovat pienentyneet huomattavasti. Energiankulutuksen osalta maalämpöpumpun osuus on edelleen dominoiva muuttuja, mutta E-luvun osalta hyviä tuloksia saavutetaan myös alhaisimmalla maalämpöpumpun osuuden arvolla. LTO:n hyötysuhteen voidaan todeta edelleen olevan E-luvun kannalta olennaisempi muuttuja. Käytännössä muiden muuttujien osalta valinta on selkeästi vapaampaa. Jotkin yhdistelmät, kuten suuri ikkuna-aukotusprosentti ja huono ikkunan U-arvo, eivät kuitenkaan tuota energiatehokkaimpia ratkaisuja edes parhaalla LTO:n hyötysuhteella ja maalämpöpumpun osuudella. Tämä pätee kaikille suorituskykymittareille nyt kun suunnitteluratkaisuja on rajattu tarpeeksi energiatehokkaaseen suuntaan. Suuret ikkunat on mahdollista valita energiankulutuksen kannalta ainoastaan korkeimmalla maalämpöpumpun osuudella, ja mikäli E-luvun halutaan olevan samalla parhaiden mahdollisten joukossa, on myös LTO:n hyötysuhteen oltava paras mahdollinen. 95

103 Kuvan 50 HRV-visualisoinnissa yksi ratkaisuista sijaitsee origossa eli niin sanotussa utopiapisteessä. Tämä tarkoittaa käytännössä sitä, että kyseinen ratkaisu on kaikilla visualisoinnissa käytetyillä suorituskykymittareilla paras mahdollinen ratkaisu tarkasteltujen ratkaisujen joukosta. Tämän perusteella valintaa ei voida kuitenkaan tehdä, koska demonstroidulla prosessilla tarkastellaan ainoastaan osaa kokonaisprosessiin liittyvistä arviointikriteereistä. Energiankulutuksen ja E-luvun kuvaajasta voidaan visualisoinnin interaktiivisten ominaisuuksien avulla todeta, että alhainen energiankulutus on mahdollista saavuttaa lähes ainoastaan korkealla maalämpöpumpun osuudella ja pieni E-luku vain hyvällä LTO:n hyötysuhteella. Näiden huomioiden tekeminen helpottuisi, jos ratkaisujen väritys olisi mahdollista määrittää tietyn muuttujan arvojen perusteella. Kuva 50 - Kolmannen simulointikierroksen 162 suunnitteluratkaisua esitettynä kehitettävässä visualisointiympäristössä. Taulukossa 5 on esitetty viisi suunnitteluratkaisua, joille on tarkoitus suorittaa yksityiskohtaisempi vertailu ja joiden on tarkoitus toimia kokonaisprosessin seuraavan vaiheen lähtötietoina. Suunnitteluratkaisu A on kaikilla tarkastelluilla energiatehokkuuden suorituskykymittareilla paras vaihtoehto tuotetun ratkaisujoukon osalta. Suunnitteluratkaisu B on valittu suuren ikkuna-aukotusprosentin perusteella. Tässä ratkaisussa on voitu valita huonompi U-arvo seinille, koska paremman U-arvon vaikutus energiatehokkuuteen on tässä tapauksessa merkityksettömän pieni. Suunnitteluratkaisu C on muuttujien osal- 96

104 Tunnus Ikkuna-aukotusprosentti Seinien U-arvo MLP:n osuus Ikkunoiden U-arvo LTO:n hyötysuhde ta kompromissiratkaisu energiatehokkuuden ja investointikustannusten välillä. Maalämpöpumpun osuudeksi on kuitenkin tässä tapauksessa valittava suurin mahdollinen arvo, jotta päästään edes lähelle muita valittuja ratkaisuja. Suunnitteluratkaisu D on valittu samalla periaatteella, mutta siinä on pyritty minimoimaan investointikustannukset muiden kuin maalämpöpumpun osalta. Lisäksi on valittu suunnitteluratkaisu E, jossa ainoana ei ole suurinta maalämpöpumpun osuutta. Tällä ratkaisulla halutaan tarkastella tilannetta, jossa maalämpöpumpun mitoitusta ei tehdä täydelle teholle, vaan lämmityksen huippukuorma katetaan pienellä kaukolämpöliittymällä, jotta pienemmälle teholle mitoitettu lämpöpumppu toimisi suurimman osan vuodesta paremmalla hyötysuhteella. Taulukko 6 - Kolmannen simulointikierroksen tulosten perusteella valitut suunnitteluratkaisut vertailtavaksi kokonaisprosessin seuraavaa vaihetta varten. E-luku (kwh/m 2 ) Energiankulutus, yhteensä (kwh/m 2 ) 97 CO2-päästöt, yhteensä (t CO 2 ) Energiakustannukset, yhteensä ( ) A , , B ,7 111,5 24, C ,4 115,8 25, D ,9 116,2 25, E ,3 120,6 26, Valittujen suunnitteluratkaisujen suorituskykymittareiden arvoista nähdään, että CO2- päästöt ja energiakustannukset käyttäytyvät tässä tapauksessa lähes lineaarisesti energiankulutuksen suhteen. E-lukukin poikkeaa tästä linjasta vain yhden ratkaisun osalta. Voidaan siis todeta, ettei yksittäisten tapausten visualisointia ja analysointia ole tarpeen tehdä ilman kustannustietoja ainakaan tässä tapauksessa. Sen sijaan voidaan suorittaa epävarmuusanalyysi energian hinnalle ja sen vaikutuksille energiakustannuksiin valituilla suunnitteluratkaisuilla Epävarmuusanalyysi Kuten aiemmin tässä työssä todettiin, epävarmuusanalyysin liittäminen osaksi simulointiprosessia tuottaa tietoa erilaisista skenaarioista päätöksenteon tueksi, mutta toisaalta siitä tulee myös monimutkaisempaa ja koko prosessista vaikeammin käsitettävä. Epävarmuusanalyysi voidaan kuitenkin suorittaa rajatulle joukolle energiatehokkuuden perusteella valittuja suunnitteluratkaisuja. Tässä demonstroinnissa ei ole mahdollista hyödyntää läsnäolo- tai säätietojen käyttämistä epävarmuusanalyysissa. Sen sijaan on pää-

105 dytty tutkimaan energian hinnan epävarmuuden vaikutusta valittujen suunnitteluratkaisujen vuotuisiin energiakustannuksiin. Epävarmuusanalyysissa on käytetty kaukolämmön ja sähkön hinnoille normaalijakaumaa, jota varten on täytynyt määrittää energian hinnoille keksiarvo ja keskihajonta. Normaalijakautuneista energian hinnoista on otettu todennäköisyyden huomioon ottava satunnainen otanta, josta on muodostettu energiakustannukset energiankulutustietojen perusteella. Tuotetuista energiakustannustiedoista on muodostettu kertymäfunktio (ECDF) sekä tiheysfunktio (PDF). Kaikkien näiden toimintojen suorittamiseen on käytetty aiemminkin mainittua R- tilastolaskentaohjelmistoa. Prosessi on suoritettu taulukon 5 vaihtoehdoille A ja E. Vaihtoehdot eroavat ainoastaan maalämpöpumpun osuuden osalta siten, että A:ssa osuus on 100 % ja E:ssä 85 %. Energioiden hintoina on käytetty rakennuksen todellisen sijainnin mukaisia kaukolämmön ja sähkön hintoja, ja keskihajontana on ollut 5 /MWh. Keskihajonnalla tarkoitetaan sitä hajontaa keskiarvosta, joka pitää sisällään 68,3 % todennäköisyysmassasta. Käytetty todennäköisyysjakauman huomioiva satunnainen otanta on 100 otoksen suuruinen. Kuva 51 - Rakennuksen suunnitteluratkaisujen A ja E energiakustannusten epävarmuusanalyysin tulokset esitettynä kertymä- ja tiheysfunktiona. Sähkön hinnan keskiarvo on 81,3 /MWh, kaukolämmön hinnan keskiarvo on 75,5 /MWh ja keskihajonta molemmille on 5 /MWh. 98

106 Kuvassa 51 on esitetty epävarmuusanalyysin tulokset. Vaihtoehtoisten suunnitteluratkaisujen kertymäfunktioista voidaan nähdä, että energiakustannusten taso, joka saavutetaan vaihtoehto A:lla lähes 100 %:n varmuudella, on vaihtoehto E:llä saavutettavissa vain noin 75 %:n varmuudella. Tiheysfunktioista on havaittavissa, että vaihtoehto A:lla hajonta on hieman suurempaa kuin vaihtoehto E:llä, jolla suurempi osa energiakustannusten arvoista on hyvin lähellä keskimääräistä. Epävarmuusanalyysin ja erityisesti kertymäfunktion tiedoilla voidaan saada tietoa energian hintojen vaikutuksista energiakustannuksiin. Näin voidaan myös tehdä perustellumpia päätöksiä esimerkiksi elinkaarikustannusten tarkasteluja varten valitsemalla tarkasteltavalle suunnitteluratkaisulle kustannustaso, joka toteutuu halutulla todennäköisyydellä. 4.4 Energiasimuloinnin pilviperusteinen prosessointi Energiasimuloinnin prosessoinnin toteutusta pilvipalveluna on demonstroitu osana simulointiympäristön kehitystyötä, ja sen tulokset esitetään tässä työssä. Demonstroinnissa on keskitytty prosessoinnin vaatiman ajan määrittämiseen. Pilvipalveluna on käytetty Microsoftin Windows Azure -alustaa ja sen tarjoamia instanssien käyttömahdollisuuksia. Demonstrointiin on valittu neljä erilaista instanssia, joita on testattu kahdella erilaisella RIUSKA-ohjelmistolla käsiteltävien simulointipakettien määrällä. Demonstroinnissa ainoastaan varsinaiset simuloinnit tapahtuvat pilvilaskentana, jolloin simuloitavat paketit on siirrettävä tietoverkkojen välityksellä pilvipalveluun. Myös siirrettävien pakettien purkaminen, tulostietojen pakkaaminen ja muu vaadittava prosessointi on otettu huomioon kokonaisaikoja määritettäessä. Pilvilaskentatarkastelujen ajalliset tulokset pilvipalvelun sisällä tapahtuvalle prosessoinnille on esitetty liitteessä 5. Simuloitavien pakettien lähettämistä pilvipalveluun ja siihen kuluvaa aikaa ei raportoitu tarkasti, mutta tähän tiedonsiirtoon kuluva aika on suuruusluokaltaan joitain kymmeniä sekunteja pienemmälle pakettimäärälle. Pilvipalvelun instanssit sisälsivät tietoja vastaanottavan ja simulointipaketteja valmistelevan Web Rolen sekä varsinaiset simuloinnit suorittavia Workereita. Tarkastelussa voitiin havaita, että alustusta tekevän Web Rolen suorituskyky sekä käytössä olevien Workereiden määrä olivat erittäin merkittävä prosessointiin kuluvan kokonaisajan kannalta. Itse simulointeja suorittavien Workereiden suorituskyvyllä oli hyvin pieni vaikutus yksittäisen simulointipaketin prosessointinopeuteen. Tässä työssä kehitetyn vaihtoehtoisia suunnitteluratkaisuja tuottavan energiasimulointiprosessin kannalta 68 simulointipaketin tulokset antavat hyvän käsityksen yhteen prosessin simulointikierroksen laskentaan kuluvasta ajasta, koska herkkyysanalyysin vaatimien simulointien määrän todettiin olevan simuloinnin luokkaa. Nopein 68 simulointipaketin prosessointi, alkaen tiedonsiirrosta pilvipalveluun ja päättyen simuloinnin tulosten tallentamisesta pilvipalvelun tietovarastoon, oli suoritettu hieman alle 99

107 kymmenessä minuutissa. Pilvipalvelun käytön voidaan todeta nopeuttavan huomattavasti suuren simulointimäärän prosessointiin kuluvaa aikaa, mutta tarvittavan tiedonsiirron ja alustusten vievän merkittävän osan tästä ajasta. Tästä syystä on syytä edelleen tutkia mahdollisuutta yhdellä tietokoneella suoritettavaan useaa prosessorin ydintä hyödyntävään moniajoon. 4.5 Johtopäätökset demonstroinnista Kaikkien demonstroinnissa käytettyjen muuttujien ja niiden mahdollisten arvojen simuloiminen vaatisi 8640 laskentatapausta. Simulointiprosessilla, jossa hyödynnetään herkkyysanalyysia ja interaktiivista päätöksentekoa, laskentatapausten määrää pystyttiin huomattavasti pienentämään, ja samalla mahdollistettiin rakennuksen käyttäytymisen analysoiminen ja siitä oppiminen. Mikäli pelkästään herkkyysanalyysimenetelmien tarkasteluun tehtyjä simulointeja ei huomioida, olisi alle 300 simulointia riittänyt energiatehokkaiden suunnitteluratkaisujen valinnalle seuraavaa kokonaisprosessin vaihetta varten. Simulointiprosessin avulla saavutettu hyöty laskentatapausten määrän vähentämisessä korostuu, kun muuttujia ja niiden mahdollisia arvoja lisätään. Herkkyysanalyysiin käytettävistä menetelmistä voitiin todeta, ettei lokaalilla vaikutuskertoimeen perustuvalla menetelmällä saada koko ratkaisualuetta kuvaavia muuttujien merkittävyyden arvoja. Rakennusten alkuvaiheen suunnittelussa tulisikin käyttää globaaleja herkkyysanalyysin menetelmiä, mutta tilanteessa, jossa halutaan valita vaihtoehtoisista energiatehokkuuteen perusparannustoimenpiteistä toteuttamatta useita niistä, lokaalin menetelmän käyttöä voidaan perustella. Tavoitteena oli myös pystyä tarkastelemaan muuttujien suhteellista merkittävyyttä, mikä vaatii kvalitatiivisen herkkyysanalyysimenetelmän käyttöä. SRC- ja SRRC-regressiomenetelmien voidaan todeta täyttävän sekä kvalitatiivisen ja koko ratkaisujoukkoa hyvin kuvaavan herkkyysanalyysimenetelmän vaatimukset. Herkkyysanalyysi tulisi suorittaa usealle suorituskykymittarille. Tässä demonstroinnissa rakennuksen sijainnista johtuen energiakustannusten ja CO 2 -päästöjen herkkyysanalyysin voitiin todeta vastaavan energiankulutuksen herkkyysanalyysia, mutta erilaisilla energian hinnoilla ja päästökertoimilla herkkyysanalyysin tuloksen eroavat toisistaan. Erityisesti käytettäessä energiantuotantoon liittyviä muuttujia on herkkyysanalyysin tekeminen kaikilla tarkastelluilla suorituskykymittareilla tarpeen. Herkkyysanalyysin tuloksia tarkasteltaessa on edelleen syytä huomioida, ettei rakennuksessa ollut merkittävästi jäähdytystä. Epävarmuusanalyysi mahdollistaa perustellumman päätöksenteon ja erilaisten skenaarioiden tarkastelun, mikä on tärkeää etenkin elinkaarikustannuksia määritettäessä. Epävarmuusanalyysin soveltaminen simulointiprosessin yhteydessä ja sen ohjaamiseen liit- 100

108 tyvässä päätöksenteossa on kuitenkin melko hankalaa ja se monimutkaistaisi prosessia huomattavasti. Muutamalle erilliseen tarkasteluun valittavalle suunnitteluratkaisulle tehtävä epävarmuusanalyysi antaa sen sijaan tietoa perustellummalle päätöksenteolle ja mahdollistaa erilaisten tulevaisuuden skenaarioiden tarkastelun. Eniten kehittämistä vaativa asia on kokonaisprosessin määrityksen mukainen energiatehokkuuden ja kustannusten tarkastelu peräkkäin eikä rinnakkain, mistä aiheutuu monenlaisia ongelmia. Ainakin tässä työssä tarkastellut energiatehokkuutta kuvaavat suorituskykymittarit ovat melko lineaarisesti ja samansuuntaisesti käyttäytyviä. Tämä johtaa helposti tilanteeseen, jossa toisistaan poikkeavien, eri mittareilla hyvin suoriutuvien ja vertailukelpoisten suunnitteluratkaisujen määrittäminen vaikeutuu. Kehitettävä visualisointiympäristö soveltuu selkeästi paremmin sekä energiatehokkuuden että kustannustehokkuuden tarkasteluun, koska nämä mittarit käyttäytyvät tavallisesti erisuuntaisesti. Visualisointiympäristön interaktiivisten ominaisuuksien tulisi olla mahdollisimman monipuolisia, jotta erilaisia muuttujien ja suorituskykymittareiden välisiä yhteyksiä voitaisiin analysoida. Esimerkiksi suunnitteluratkaisujen esittämien pisteiden värityksen muuttaminen valitun muuttujan arvon mukaan helpottaa muuttujan eri arvoilla saavutettavien tulosten havainnointia. Vähäisellä muuttujien mahdollisten arvojen määrällä visualisointiympäristön toiminta heikkenee. 101

109 5. Johtopäätökset ja yhteenveto Tärkein rakennusten energiasimuloinnin kehityskohde on sen käyttötarkoituksen kehittäminen suunnitelmien tarkastamisesta sekä määräystenmukaisuuden ja tavoitteiden toteutumisen varmistamisesta aidoksi suunnitteluprosessia tukevaksi ja vaihtoehtoisia suunnitteluratkaisuja tuottavaksi työkaluksi. Siihen liittyy olennaisena osana itse energiasimuloinnin kehittämistä, mutta ennen kaikkea simulointia tukevien sovellusten, prosessien ja menetelmien sekä niiden integroinnin kehittämistä. Tämä mahdollistaa nykyisen toimintakulttuurin tehostamisen sekä aivan uudenlaisten toimintatapojen soveltamisen ja kehittämisen rakennusten suunnittelussa. Rakennusten suunnitteluratkaisujen tuottamisessa yleisimmin käytetyt menetelmät ovat interaktiivinen päätöksentekoprosessi sekä varsinainen optimointialgoritmeja hyödyntävä monitavoiteoptimointi. Interaktiivinen päätöksentekoprosessi hyödyntää herkkyys- ja epävarmuusanalyyseja suunnitteluratkaisujen tuottamisessa ja päätöksentekijää tulosten analysoinnissa, päätöksenteossa ja prosessin ohjaamisessa. Molemmissa tavoissa tarkoituksena on löytää tarkasteluun valituilla päätösmuuttujilla paras mahdollinen ratkaisu ilman että kaikkia muuttujien määrittämiä vaihtoehtoisia ratkaisuja tarvitsee simuloida. Tässä työssä on päädytty interaktiiviseen päätöksentekoprosessiin, koska sen on ajateltu tukevan paremmin rakennuksen suunnittelua ja eri osapuolten välistä yhteistyötä sekä mahdollistavan nykyisten työskentelymenetelmien tehokkaamman hyödyntämisen ja uudenlaisten työskentelytapojen kehittämisen. Tällä menetelmällä voidaan myös huomioida suorituskykymittareiden lisäksi mitattomia arviointikriteerejä suunnittelussa ja prosessin ohjauksen yhteydessä. Kun prosessin ohjaaminen on käyttäjän hallinnassa, on mahdollista nähdä myös ei-halutut ratkaisut ja niihin johtaneet syyt. Suunnitteluryhmän osapuolilla ei ole välttämättä tarkkaa käsitystä energiatehokkuuteen vaikuttavista asioista ja niiden suuruudesta. Kun eri osapuolet näkevät muuttujien vaikutukset ja niistä saatavat hyödyt tai haitat, on heidän helpompi asettua energiatehokkuutta edistävien ratkaisujen taakse. Toisaalta voidaan myös todeta jonkin ratkaisun vaikutuksen olevan hyvin mitätön energiatehokkuuden kannalta, jolloin voidaan perustellusti tehdä päätös olla hyödyntämättä kyseistä ratkaisua tai valita ratkaisu muiden kriteerien kuin energiatehokkuuden pohjalta. Eri osapuolten tiedon ja kokemuksen karttuessa päätöksentekoprosessi helpottuu ja nopeutuu. Interaktiivisessa päätöksenteossa ja sen ohjauksessa on mahdollista hyödyntää erilaisia menetelmiä. Päätöksentekoa varten voidaan esimerkiksi painottaa tarkasteltavia suorituskykymittareita tai siihen voidaan käyttää valmiiksi määriteltyä menetelmää, jonka tarkoituksena on tuottaa päätöksentekijän preferenssit huomioonottava ratkaisu. Ominaista näille menetelmille on kuitenkin se, ettei päätöstä halutusta ratkaisun suorituskyvystä tehdä ennen prosessin aloittamista, vaan päätöksentekijän on tarkoitus analysoida 102

110 ja oppia ratkaisuista sekä niihin vaikuttavista muuttujista prosessin aikana. Päätös sopivasta ratkaisusta kehittyy prosessin edetessä. Tämä mahdollistaa myös simuloitavien ratkaisujen määrän rajaamisen, jolloin ei ole tarpeen simuloida kaikkia ratkaisuja päätöksen tekemiseksi ja siinä käytettävien perusteiden muodostamiseksi. Lähtökohtana päätöksenteolle ja siinä käytettäville menetelmille on ollut yksinkertaisuus. Prosessin, siihen liittyvien analyysien ja niiden perusteella tehtävän ohjauksen on oltava helposti ymmärrettäviä ja käytettäviä, jotta suunnittelutyöhön ja päätöksentekoon osallistuvien taustoiltaan erilaisten osapuolten on mahdollista hyödyntää niitä. Kokonaisuuksien hahmottaminen ja prosessin tehokkuus, eli siihen käytettävä aika ja sillä saavutettavien tulosten laatu, määrittävät myös paljon käytettävien menetelmien valintaa. Päätöksentekoympäristö, jota käytetään ratkaisujoukossa liikkumiseen päätöksentekijän ohjaamana, ei anna kovin hyvää kokonaiskuvaa tarkasteltavasta ongelmasta ja sen soveltuminen kokonaisen suunnitteluryhmän päätöksentekoon ei ole mielekästä. Tältä pohjalta on päädytty interaktiiviseen visualisointiympäristöön perustuvaan prosessiin suunnitteluratkaisujen analysoinnissa ja niiden tuottamiseen liittyvässä ohjauksessa. Tarkastelun lähtökohtana on ollut rakennuksen energiatehokkuus ja siihen vaikuttavat muuttujat arvioituina erilaisilla suorituskykymittareilla, joita ovat ominaisenergiankulutus, energiakustannukset, energiankulutuksen päästöt, E-luku ja olosuhteet. Päätöksentekijän preferensseihin perustuvien mitattomien arviointikriteerien, kuten esteettisyyden ja toteutettavuuden, tarkasteleminen ja niihin vaikuttaminen on myös jollain tasolla mahdollista kehitettävän prosessin avulla. Kehitettävä prosessi on lähtökohtaisesti osa suurempaa kokonaisuutta, johon kuuluu myös investointi- ja elinkaarikustannusten tarkastelua energiatehokkuustarkastelun lähtötietojen perusteella. Energiatehokkuuden ja kustannusten tarkasteleminen erillisinä kokonaisuuksina tuo joitakin etuja, mutta tällä jaottelulla on myös huomattavia ongelmia. Yleispätevien ja todellisuutta vastaavien kustannusfunktioiden laatiminen on välttämätöntä automatisoidun kustannuslaskennan toteuttamiseksi. Tällaisten kustannusfunktioiden määrittäminen on erittäin hankalaa ja parhaassakin tapauksessa asiantuntijan tekemä kustannusanalyysi tuottaa todennäköisesti tarkemman ja paremmin todellisuutta vastaavan lopputuloksen. Tässä mielessä automatisoitu kustannuslaskenta saattaa pahimmassa tapauksessa ohjata päätöksentekoprosessia väärään suuntaan. Kustannusanalyysin tekeminen ainoastaan energiatehokkuustarkastelun perusteella valituille suunnitteluratkaisuille vaatii asiantuntijan subjektiivisen käsityksen muuttujien vaikutuksista kustannuksiin päätöksentekoprosessin aikana. Näille perustellusti valituille suunnitteluratkaisuille suoritettavassa kustannusanalyysissa on siis jo karkealla tasolle huomioitu kustannusten vaikutus, ja tarkemman analyysin tekeminen mahdollistuu vertailtavien suunnitteluratkaisujen määrän ollessa tarpeeksi pieni. 103

111 Pelkillä energiatehokkuuden suorituskykymittareilla ongelmaksi koituu mittareiden voimakas riippuvuus toisistaan ja muuttujien aiheuttamien vaikutusten samansuuntaisuus näillä mittareilla. Kun energiankulutus laskee, myös energiakustannukset, päästöt ja E-luku pienenevät. Eroja näissä syntyy lähinnä energiantuotantomuodon aiheuttamissa vaikutuksissa näitä mittareita määrittävissä parametreissa. Nämäkin erot ovat mittareiden arvojen suuruudessa, eivät suunnassa. Mikäli kustannukset halutaan pitää erillisesti tarkasteltavana kokonaisuutena, olisi löydettävä energiatehokkuutta kuvaavia arviointikriteerejä, joilla muuttujien aiheuttamien vaikutusten suunta ei ole näin yhtenevä. Usein olosuhteet ja energiankulutus ovat arviointikriteerejä, joiden vaikutusten suunnat ovat vastakkaisia ja niiden välillä täytyy tehdä kompromisseja. Olosuhteet ovatkin erittäin tärkeässä osassa, kun pyritään tuottamaan ja valitsemaan energiatehokkaita rakennuksen suunnitteluratkaisuja vertailtavaksi ja kustannusanalyysin lähtötiedoksi. Olosuhteiden soveltaminen suorituskykymittarina ei vielä tässä vaiheessa ollut mahdollista, joten siihen liittyvät tarkastelut on tehtävä tämän työn ulkopuolella. Energiatehokkuuden suorituskykymittariksi tulisi lisätä taloteknisten järjestelmien huipputehot, jonka avulla voidaan arvioida suunnitteluratkaisujen kustannuksia erityisesti jäähdytyksen ja siihen vaikuttavien muuttujien osalta. Huipputehojen tarkasteleminen on tärkeää myös, jos jokin muuttuja aiheuttaa eri ajankohtina erisuuntaisia vaikutuksia, jotka kompensoituvat kokonaisuutta tarkasteltaessa, jolloin vaikutus ei näy energiankulutuksessa. Huipputeho ja aiemmin määritellyt suorituskykymittarit reagoivat erityisen voimakkaasti energiantuotantomuotoihin liittyviin muuttujiin. Muiden kuin rakennuksen järjestelmäratkaisujen mittarointiin on sovellettavissa suorituskykymittari FFC (Free Floating Conditions). Tällä mittarilla kuvataan rakennuksessa vallitsevia olosuhteita, kun sen talotekniset järjestelmät eivät ole käytössä. Sen soveltamisesta ei ole juurikaan tietoa, mutta sen tuomat mahdollisuudet on tiedostettava tulevissa tarkasteluissa. FFC:n mittaroinnista saatava tulos ei ole tosin kovin helposti ymmärrettävissä ja se vaatii melko paljon ylimääräistä laskentaa. Esitetyistä lähtökohdista ja perusteluilla kehitetyn prosessin toteutus voidaan jakaa määrittelyvaiheeseen, simulointiin ja tulosten käsittelyyn. Simulointiprosessi saa lähtötietoinaan rakennukselle asetetut tavoitteet ja käyttäjän tarpeet sekä näiden pohjalta määritetyt layout- ja massoitteluvaihtoehdot. Näiden tietojen pohjalta voidaan tehdä alustava parametrisointi, eli määrittää simuloinnissa muuttumattomina pysyvät parametrit, vaihtoehtojen tuottamiseen ja niiden tarkasteluun käytetyt muuttujat sekä niiden arvoalueet ja -askeleet. Vaihtoehtoisten suunnitteluratkaisujen tuottaminen tapahtuu interaktiivisen päätöksentekoprosessin simulointikierrosten aikana yksinkertaisella satunnaisella otannalla, jota voidaan hyödyntää herkkyysanalyysissa ja alustavassa tulosten käsittelyssä. Simulointikierroksia jatketaan päätöksentekijän ohjaamana kunnes riittävä rajaus on saavutettu ja halutaan simuloida kaikki jäljellä olevat suunnitteluratkaisuvaihtoehdot, joista valitaan vertailtavat vaihtoehdot kokonaisprosessin seuraavaa vaihetta varten. 104

112 Rakennuksen käyttäytymisen analysointi ja tulosten käsittely määritellyillä suorituskykymittareilla tapahtuu interaktiivisen visualisointiympäristön avulla. Prosessin ohjaus tapahtuu käytännössä parametrisoinnin kautta muuttujien määrittelyillä RIUSKAohjelmistossa. Kehitettävällä energiasimulointiympäristöllä tuotettujen suunnitteluratkaisujen analysointiin tarvitaan useita päätöksentekijän muokattavissa olevia visualisointeja. Visualisoinneissa on voitava tarkastella muuttujien vaikutuksia tarkasteltaviin suorituskykymittareihin suurella simuloitujen suunnitteluratkaisujen määrällä, jotta saadaan tietoa suunnitteluratkaisujen käyttäytymisestä ja prosessia voidaan ohjata haluttuun suuntaan. Vaatimuksena on myös suorituskykymittareiden yhtäaikainen tarkastelu ja mahdollisuus niiden painottamiseen. Visualisointien tulee olla helposti ymmärrettäviä, niiden tulee mahdollistaa intuitiivinen päättely ja olla hyödynnettävissä prosessin ohjauksessa aktiivisin toiminnoin. Tuotettujen suunnitteluratkaisujoukkojen suorituskykymittareiden ja muuttujien visualisointien lisäksi tarvitaan visualisointeja yksittäisten suunnitteluratkaisujen tarkasteluun ja niiden vertailuun. Tässä työssä kehitetty visualisointiympäristö täyttää asetetut vaatimukset ja soveltuu erityisen hyvin tilanteisiin, jossa tarkastellaan useaa suorituskykymittaria ja käytettyjen muuttujien vaikutuksia niihin. Edellytyksenä on kuitenkin, että tarkastelussa on mukana suhteellisen suuri ratkaisujoukko. Muuttujien mahdollisten arvojen pieni määrä ja samansuuntaisesti käyttäytyvät suorituskykymittarit pienentävät visualisointiympäristöllä saavutettavaa hyötyä. Parhaiten visualisointiympäristön ominaisuuksia voidaan hyödyntää, kun mukana on suorituskykymittareita, joiden välillä joudutaan tekemään kompromisseja. Toisin sanoen visualisointiympäristö soveltuu parhaiten usean kohdefunktion Pareto-optimaalisille ratkaisuille. Suunnitteluratkaisujen vertailun kannalta paras yksittäinen visualisointi olisi luultavasti tuotettujen suunnitteluratkaisujen esittäminen elinkaarikustannuksia ja primäärienergiankulutusta esittävässä kuvaajassa. Tämän työn perusteella on voitu määrittää visualisoinneille ja niiden toiminnallisuuksille kuvaukset (Liite 6), jotka toimivat visualisointiympäristön ohjelmistokehityksen perusteena. Interaktiivisessa päätöksentekoprosessissa on päädytty käyttämään suorituskykymittareiden ja käytettyjen muuttujien visualisointien lisäksi herkkyysanalyysia muuttujien vaikutusten merkittävyyden arvioinnissa tarkasteltuihin suorituskykymittareihin. Herkkyysanalyysi on merkittävässä osassa prosessin ohjausta, ja se määrittelee suunnitteluratkaisujen tuottamiseen käytetyn otantamenetelmän sekä tarvittavien simulointien määrän simulointikierroksella. Työn demonstrointiosuudessa on voitu todeta yksinkertaisen satunnaisen otannan ja regressiomenetelmien tuottavan hyvin koko ratkaisujoukkoa kuvaavia kvantitatiivisia tuloksia, joissa huomioidaan myös muuttujien yhteisvaikutukset. Tarvittavien satunnaisten otantojen määrä simulointikierroksella on simuloinnin luokkaa, mutta suurella muuttujien määrällä tarvittavien simulointien määrän 105

113 voidaan olettaa kasvavan. On tärkeää, että herkkyysanalyysi suoritetaan kaikille tarkastelluille suorituskykymittareille, koska muuttujien vaikutukset niihin voivat olla hyvin erilaisia. Herkkyysanalyysimenetelmistä on kuitenkin todettava, että olemassa olevan rakennuksen energiatehokkuuden parantamiseen tähtääviä toimenpiteitä arvioitaessa lokaali perustapausta hyödyntävä menetelmä soveltuu todennäköisesti paremmin tähän käyttötarkoitukseen. Epävarmuusanalyysin käyttäminen erilaisten skenaarioiden ja riskitasojen tarkasteluissa antaa tietoa perustellulle päätöksenteolle. Sen soveltaminen prosessin ohjaukseen liittyvän päätöksentekoon tekisi prosessista hankalasti omaksuttavan vaikka epävarmuustekijöiden huomioiminen prosessin aikana olisikin muuten perusteltua. Kehitettävässä energiansimulointiympäristössä käytettävien muuttujien ja niiden määrittelytapojen valinta tehtiin suunnittelun tarpeiden sekä ohjelmistoteknisten rajoitusten ja mahdollisuuksien perusteella. Muuttujat ovat vaihtoehtoisia ratkaisuja kuvaavia tyyppimuuttujia ja arvoalueen ja -askeleen avulla diskretoituja numeerisia muuttujia. Esitetyillä muuttujilla on pyritty kuvaamaan suunnittelijan todellisia vaihtoehtoja. Muuttujien määrittely on voimakkaasti sidoksissa herkkyysanalyysissa käytettyyn otantamenetelmään. Otantamenetelmäksi voidaan perustellusti valita jokin yksinkertainen satunnainen menetelmä, joka sopii määritellyille muuttujatyypeille. Tulevaisuuden tarkasteluiden kohteina kehitetyn simulointiympäristön suhteen tulisi olla erityisesti jäähdytyksen ja siihen liittyvien muuttujien tarkasteleminen sekä olosuhteiden hyödyntäminen suorituskykymittarina. Näillä kahdella hyvin olennaisella asialla on suuri merkitys rakennusten energiatehokkuuteen liittyvässä päätöksenteossa ja tulosten hajonnassa. Myös uusiutuvien energiantuotantomuotojen hyödyntäminen ja erilaisten uusiutuvan energian osuuksien tarkastelut ovat oleellisia siirryttäessä NZEBrakentamiseen. Tähän johtavia asioita pystytään kehittämään ja arvioimaan jo ennalta vaihtoehtoisia rakennuksen suunnitteluratkaisuja tuottavan simulointiprosessin avulla. Erityisen mielenkiintoista olisi interaktiivisen päätöksentekoprosessin ja monitavoiteoptimoinnin vertailu halutun suunnitteluratkaisun tuottamiseen käytetyn ajan ja tulosten laadun perusteella. On myös mahdollista hyödyntää molempia menetelmiä jakamalla prosessi osiin ja hierarkkisiin tasoihin. Kun koko rakennuksen simulointiprosessiin ja sen ohjaamiseen käytettäisiin interaktiivista päätöksentekoprosessia, rakennustason valinnoista lähtötietonsa ottavien teknisten järjestelmien mitoitukseen ja toimintaan voitaisiin soveltaa monitavoiteoptimointia. Tämä on mahdollista ja jopa toivottavaa, koska tällaisten järjestelmien parhaan mahdollisen ratkaisun määrittäminen ei ole useinkaan subjektiivinen asia, vaan siihen löytyy todennäköisesti matemaattisesti yksiselitteinen ratkaisu ylemmän tason asettamien lähtötietojen ja rajoitusten puitteissa. Samankaltaista osaoptimointia on mahdollista soveltaa myös energiantuotantoon. 106

114 6. Lähdeluettelo (1) J. Sinisalo. Tietomallipohjaisen energia-analyysin mahdollisuudet LVIsuunnittelussa, Diplomityö, Aalto Yliopisto, Insinööritieteiden korkeakoulu; (2) Lam KP, Wong NH, Mahdavi A, Chan KK, Kang Z, Gupta S. SEMPER-II: An internet-based multi-domain building performance simulation environment for early design support. Automation in Construction 2004;13(5 SPEC. ISS.): (3) Dahl P, Horman M, Pohlman T, Pulaski M, editors. Evaluating design-buildoperate-maintain delivery as a tool for sustainability. Construction Research Congress 2005: Broadening Perspectives - Proceedings of the Congress, ; (4) Aksamija A. BIM-Based Building Performance Analysis: Evaluation and Simulation of Design Decisions. ACEE Summer Study on Energy Efficiency in Buildings, Perkins+Will (5) Schlueter A, Thesseling F. Building information model based energy/exergy performance assessment in early design stages. Automation in Construction 2009;18(2): (6) C. J. Hopfe. Uncertainty and sensitivity analysis in building performance simulation for decision support and design optimization.eindhoven: Technische Universiteit Eindhoven; (7) Attia S, Gratia E, De Herde A, Hensen JLM. Simulation-based decision support tool for early stages of zero-energy building design. Energy and Buildings 2012;49:2-15. (8) Kim H, Stumpf A, Kim W. Analysis of an energy efficient building design through data mining approach. Automation in Construction 2011;20(1): (9) Beopt: Software for identifying optimal building designs on the path to zero net energy. Proceedings of the Solar World Congress 2005: Bringing Water to the World, Including Proceedings of 34th ASES Annual Conference and Proceedings of 30th National Passive Solar Conference; (10) Building simulation as an assisting tool in designing an energy efficient building: A case study. IBPSA International Building Performance Simulation Association 2009;

115 (11) Shi X. Design optimization of insulation usage and space conditioning load using energy simulation and genetic algorithm. Energy 2011;36(3):1659. (12) Toth B, Salim F, Burry J, Frazer J, Drogemuller R, Burry M. Energy-oriented design tools for collaboration in the cloud. International Journal of Architectural Computing 2011;9(4): (13) Petersen S, Svendsen S. Method and simulation program informed decisions in the early stages of building design. Energy and Buildings 2010;42(7): (14) Zhang Y, Korolija I. Performing complex parametric simulations with jeplus. SET2010-9th nternational Conference on Sustainable Energy Technologies; Shanghai, China August. (15) Zhang Y. Use jeplus as an efficient building design optimisation tool. CIBSE ASHRAE Technical Symposium, Imperial College (16) Hygh JS, DeCarolis JF, Hill DB, Ranji Ranjithan S. Multivariate regression as an energy assessment tool in early building design. Building and Environment 2012;57: (17) Lam JC, Wan KKW, Liu D, Tsang CL. Multiple regression models for energy use in air-conditioned office buildings in different climates. Energy Conversion and Management 2010;51(12): (18) Wetter M. Design optimization with GenOpt. Building Energy Simulation, User News Lawrence Berkeley National Laboratory, Vol (19) Palonen M, Hasan A, Siren K. A genetic algorithm for optimization of building envelope andhvac system parameters. IBPSA International Building Performance Simulation Association :159. (20) C. A. Morbitzer. Towards the Integration of Simulation into the Building Design Process, PhD ThesisEnergy System Research Unit, Department of Mechanical Engineering, University of Strathclyde; (21) Saporito A, Day AR, Karayiannis TG, Parand F. Multi-parameter building thermal analysis using the lattice method for global optimization. Energy and Buildings 2001;33(3): (22) Hirsch J. Overview of DOE-2.2. Available at: Accessed 4/26,

116 (23) Burton C, Shaxted M, editors. Development and Implementation of a Parametric Energy Tool for Building Owners. Proceedings of esim 2012: The Canadian Conference on Building Simulation; ; ; (24) Tian W, De Wilde P. Uncertainty and sensitivity analysis of building performance using probabilistic climate projections: A UK case study. Automation in Construction 2011;20(8): (25) Sensitivity of energy simulation models to occupancy related parameters in commercial buildings. Construction Research Congress 2012: Construction Challenges in a Flat World, Proceedings of the 2012 Construction Research Congress; (26) Helton JC, Johnson JD, Sallaberry CJ, Storlie CB. Survey of sampling-based methods for uncertainty and sensitivity analysis. Reliability Engineering and System Safety 2006;91(10-11): (27) De Wit S, Augenbroe G. Analysis of uncertainty in building design evaluations and its implications. Energy and Buildings 2002;34(9): (28) Wei T. A review of sensitivity analysis methods in building energy analysis. Renewable and Sustainable Energy Reviews 2013;20: (29) Manfren M, Aste N, Moshksar R. Calibration and uncertainty analysis for computer models - A meta-model based approach for integrated building energy simulation. Applied Energy 2013;103: (30) Burhenne S, Tsvetkova O, Jacob D, Henze GP, Wagner A. Uncertainty quantification for combined building performance and cost-benefit analyses. Building and Environment 2013;62: (31) Lam JC, Wan KKW, Yang L. Sensitivity analysis and energy conservation measures implications. Energy Conversion and Management 2008;49(11): (32) Shen H, Tzempelikos A. Sensitivity analysis on daylighting and energy performance of perimeter offices with automated shading. Building and Environment 2013;59: (33) Technique of uncertainty and sensitivity analysis for sustainable building energy systems performance calculations. IBPSA International Building Performance Simulation Association 2007;

117 (34) Helton JC, Davis FJ. Latin hypercube sampling and the propagation of uncertainty in analyses of complex systems. Reliability Engineering and System Safety 2003;81(1): (35) Comparison of sampling techniques on the performance of monte-carlo based sensitivity analysis. IBPSA International Building Performance Simulation Association 2009; (36) Mela K, Tiainen T, Heinisuo M. Comparative study of multiple criteria decision making methods for building design. Advanced Engineering Informatics 2012;26(4): (37) Miettinen K, Ruiz F, Wierzbicki AP. Introduction to Multiobjective Optimization: Interactive Approaches. Multiobjective Optimization 2008:27. (38) Miettinen K. Nonlinear multiobjective optimization. Boston (MA): Kluwer; (39) Miettinen K. Introduction to multiobjective optimization: Noninteractive approaches. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) 2008;5252 LNCS:1-26. (40) Miettinen K, Mäkelä MM. Synchronous approach in interactive multiobjective optimization. European Journal of Operational Research /1;170(3): (41) Choudhary R, Malkawi A, Papalambros PY. Analytic target cascading in simulation-based building design. Automation in Construction ;14(4): (42) Eskelinen P, Miettinen K, Klamroth K, Hakanen J. Pareto navigator for interactive nonlinear multiobjective optimization. OR Spectrum 2010;32(1): (43) Tarkkanen S, Miettinen K, Hakanen J, Isomäki H. Incremental user-interface development for interactive multiobjective optimization. Expert Systems with Applications 2013;40(8): (44) Miettinen K. Survey of methods to visualize alternatives in multiple criteria decision making problems. OR Spectrum 2012:1-35. (45) Castelletti A, Lotov AV, Soncini-Sessa R. Visualization-based multi-objective improvement of environmental decision-making using linearization of response surfaces. Environmental Modelling and Software 2010;25(12):

118 (46) Korhonen P, Wallenius J. Visualization in the multiple objective decision-making framework. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) 2008;5252 LNCS: (47) Interactive decision-making support model in MOSD. Proceedings of SPIE - The International Society for Optical Engineering; (48) Visualisation-A conceptual design AID. Structures Congress Proceedings of the 2011 Structures Congress; (49) Mell P, Grance T. The NIST Definition of Cloud Computing. NIST Special Publication , National Institute of Standards and Technology, U S Department of Commerce (50) SciCumulus: A lightweigh cloud middleware to explore many task computing paradigm in scientific workflows. Proceedings IEEE 3rd International Conference on Cloud Computing, CLOUD 2010; (51) Iorio F, Snowdon J, editors. Leveraging Cloud Computing and High Performance Computing Advances for Next-generation Architecture, Urban Design and Construction Projects. SimAUD 2011 Conference Proceedings: Symposium on Simulation for Architecture and Urban Design; (52) Haijiang L, de Wilde P, Rafiq Y. A methodology for building performance simulation using high power computing. Available at: Accessed 3/13, (53) Sheng C-, Tian Y-, Chen M-. Relationships among teamwork behavior, trust, perceived team support, and team commitment. Social Behavior and Personality 2010;38(10): (54) Nguyen AT, Reiter S. Passive designs and strategies for low-cost housing using simulation-based optimization and different thermal comfort criteria. Journal of Building Performance Simulation (55) Witowski K, Liebscher M, Goel T, editors. Decision Making in Multi-Objective Optimization for Industrial Applications - Data Mining and Visualization of Pareto Data. 7th European LS-DYNA Conference: DYNAmore GmbH;

119 (56) Chiu P-, Bloebaum CL. Hyper-Radial Visualization (HRV) method with rangebased preferences for multi-objective decision making. Structural and Multidisciplinary Optimization 2010;40(1-6): (57) Kohonen T, Oja E, Simula O, Visa A, Kangas J. Engineering applications of the self-organizing map. Proc IEEE 1996;84(10): (58) Gabbai JME, Wright WA, Allinson NM. Visualisation of multi-agent system organisations using a self-organising map of Pareto solutions. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) 2004;3177: (59) Obayashi S, Sasaki D. Visualization and data mining of Pareto solutions using Self-Organizing Map. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) 2003;2632:

120 Liiteluettelo Liite 1 Rakennuksen muodon ja sijainnin simulointien tulokset Liite 2 Perustapausten vertailun simulointien tulokset Liite 3 Toisen simulointikierroksen tulokset Liite 4 Kolmannen simulointikierroksen tulokset Liite 5 Pilvilaskentatarkastelujen tulokset Liite 6 Visualisointien toiminnalliset kuvaukset

121 Ikkunoiden U-arvo Seinien U-arvo Yläpohjan U-arvo LTO:n hyötysuhde Ikkuna-aukotusprosentti Rakennuksen suuntaus Liite 1 - Rakennuksen muodon ja sijainnin simulointien tulokset Energiankulutus, lämmitys Energiankulutus, sähkö CO2-päästöt, lämmitys CO2-päästöt, sähkö Energiankulutus, yhteensä E-luku X-muoto ,2 69,7 34,1 15,6 174,7 224, ,1 70,2 34,6 15,7 176,3 227, ,5 70,4 34,4 15,7 176,2 226, ,3 70,5 34,4 15,7 176,2 226, ,9 70,4 35,2 15,7 178,1 230, , ,4 15,8 181,7 236, ,5 69,7 40,1 15,6 189,3 252, ,2 69, ,6 159,6 196, ,8 69,9 32,7 15,6 171,4 218, ,1 69,8 33,7 15,6 173,6 222, ,5 70, ,7 170, ,3 69,8 33,5 15,6 173,2 222,1 L-muoto ,3 69,4 36,1 15,5 179,4 233, ,8 69,3 36,5 15,5 180,1 235, ,7 15,6 181, ,3 36,3 15,4 179,7 234, ,1 70,5 37,2 15,7 183,6 239, ,1 71,3 38,3 15,9 187,2 245, ,9 69,4 42,2 15,5 194,3 261, ,2 69, ,5 164,3 205, ,6 34,8 15,5 176,3 227, ,4 69,4 35,7 15,5 178,5 231, ,9 70,4 34,1 15,7 175,8 225, ,4 69,5 35,5 15, ,9 X-muoto, Saksa ,2 72,4 20,7 16, , ,3 72, , , ,5 72,6 20,8 16,2 145,7 167, ,1 72,4 20,7 16,1 145,2 166, ,9 72,8 21,1 16,2 146,7 168, ,1 73,3 21,6 16,3 148,5 171, ,1 24,2 16,1 153,5 182, ,1 17,6 16,1 137,3 152, ,7 72, ,1 143, ,2 20,5 16,1 144,4 165, ,4 72,9 19,4 16,3 142,9 161, ,5 72,3 20,4 16,1 144,3 164,8

122 Ikkunoiden U-arvo Seinien U-arvo Yläpohjan U-arvo LTO:n hyötysuhde Ikkuna-aukotusprosentti Rakennuksen suuntaus Liite 2 - Perustapausten vertailun simulointien tulokset CO2- päästöt, lämmitys CO2- päästöt, sähkö Energiankulutus, lämmitys Energiankulutus, sähkö E-luku Energiankulutus, yhteensä ,6 90,5 60,4 20,2 266,1 365, ,4 90,8 60,6 20,2 266,8 366, ,2 90,7 60,3 20,2 266,1 364, ,3 91,1 60,6 20,3 267,1 366, ,9 90,8 60,7 20,2 267,1 366, ,5 90,9 61,5 20,3 269,2 370, ,8 90,5 48,8 20,2 237,7 312, ,1 90,5 36,8 20,2 208,3 257, ,4 90,6 58,8 20,2 262, ,4 90,6 59,9 20,2 264, ,2 90,7 57,5 20,2 259,1 351, ,2 90,5 59,7 20,2 264,3 361, ,2 91,1 43,8 20,3 226,3 290, ,5 90,9 43,7 20,3 225,7 289, ,5 91,2 43,7 20,3 225,9 289, ,4 91,2 43,7 20, , , ,4 20,3 227,3 292, ,1 91,2 43,4 20,3 225,2 288, ,1 55,4 20,3 254,7 343, ,5 91, ,3 197,4 236, ,2 91,1 45,4 20, , ,7 91,1 44,1 20, , , ,3 233,8 304, , ,1 20,3 231,7 300, ,8 90,5 48,8 20,2 237,7 312, ,6 90, ,2 238,4 313, ,4 90,7 48,7 20,2 237,7 312, ,5 91,1 48,9 20,3 238,7 313, ,2 90,8 49,1 20,2 238, ,9 90,9 49,9 20,3 240,9 317, ,6 90,5 60,4 20,2 266,1 365, ,1 90,5 36,8 20,2 208,3 257, ,5 90,6 47,2 20,2 233,8 305, ,6 90,6 48,3 20,2 236,5 310, ,3 90,7 45,8 20,2 230, ,3 90, ,2 235,8 308,8

123 Ikkuna-aukotusprosentti Seinien U-arvo Yläpohjan U-arvo LTO:n hyötysuhde Ikkunoiden U-arvo Liite 3 - Toisen simulointikierroksen tulokset Energiankulutus, lämmitys Energiankulutus, sähkö CO2-päästöt, lämmitys CO2-päästöt, sähkö E-luku ,5 69,7 40,1 15,6 189, ,5 70,5 38,2 15,7 185, ,8 69,8 39,5 15, ,2 69,7 34,1 15,6 174, ,5 70, ,7 170, ,3 69,8 33,5 15,6 173, ,2 69, ,6 159, ,3 70,5 25,8 15,7 155, ,3 69,8 27,3 15,6 158, ,3 69,9 38,8 15,6 186, ,9 70,7 36,9 15,8 182, , ,2 15, ,8 69,9 32,7 15,6 171, ,5 70,7 30,7 15,8 167, ,1 15,6 170, ,7 69,9 26,6 15,6 156, ,1 70,7 24,4 15,8 152, , ,9 15,6 154, ,5 69,8 39,7 15,6 188, ,7 70,6 37,8 15,7 184, ,9 69,9 39,1 15,6 187, ,1 69,8 33,7 15,6 173, ,6 70,6 31,6 15,7 169, ,3 69,9 33,1 15,6 172, ,2 69,8 27,5 15,6 158, ,4 70,6 25,4 15,7 154, ,2 69,9 26,9 15,6 157, , ,4 15,6 185, ,2 70,8 36,6 15, ,9 70,1 37,8 15,6 184, , ,3 15,6 170, ,7 70,8 30,3 15,8 166, ,1 31,7 15,6 169, , ,1 15,6 155, ,2 70, ,8 151, ,8 70,1 25,5 15,6 153, ,3 70,4 41,2 15,7 192, ,6 71,4 38,2 15,9 186, ,6 70,6 40,2 15,7 190, ,9 70,4 35,2 15,7 178, ,3 71, ,9 171, ,6 34,1 15,7 175, ,2 70,4 29,1 15,7 163, ,3 71,4 25,8 15,9 156, ,2 70, ,7 160, ,1 70,6 39,8 15,7 189, , , ,6 70,8 38,9 15,8 187, ,5 70,6 33,8 15,7 174, ,4 71,6 30, , ,8 70,8 32,7 15,8 172, ,7 70,6 27,7 15,7 159, ,3 71,6 24, , ,8 70,8 26,6 15,8 157, ,6 70,5 40,8 15,7 192

124 Ikkuna-aukotusprosentti Seinien U-arvo Yläpohjan U-arvo LTO:n hyötysuhde Ikkunoiden U-arvo Energiankulutus, lämmitys Energiankulutus, sähkö CO2-päästöt, lämmitys CO2-päästöt, sähkö E-luku ,7 39,8 15,8 189, ,2 70,5 34,8 15,7 177, ,3 70,7 33,7 15,8 174, ,5 70,5 28,7 15,7 162, ,7 71,5 25,5 15,9 155, ,5 70,7 27,6 15,8 159, ,4 70,6 39,5 15,8 188, ,6 71,7 36, , ,8 38,5 15,8 186, ,8 70,6 33,4 15, ,9 71,7 30, , ,1 70,8 32,4 15,8 171, ,6 27,3 15, ,7 71,7 24, , ,1 70,8 26,2 15,8 156, , ,4 15,8 196, ,3 72,1 38,3 16, ,1 71,2 40,9 15,9 193, , ,4 15,8 181, ,8 72,1 32,1 16,1 172, ,4 71,2 34,9 15,9 178, , ,3 15,8 166, ,1 72, ,1 157, ,8 71,2 28,8 15,9 163, ,4 71, ,9 193, ,7 72,3 37,1 16,1 185, ,4 39,6 15,9 190, ,9 71, ,9 178, ,3 30,8 16,1 169, ,1 71,4 33,5 15,9 175, ,3 71,1 28,9 15,9 163, ,3 24,6 16,1 154, ,4 71,4 27,4 15,9 160, , ,1 15,8 195, ,2 38,1 16,1 187, ,7 71,2 40,6 15,9 192, , ,1 15, ,5 72,2 31,8 16,1 172, ,2 34,5 15,9 177, , ,8 166, ,7 72,2 25,7 16,1 157, ,4 71,2 28,5 15,9 162, ,1 71,1 40,7 15,9 192, ,5 72,4 36,8 16,1 184, ,7 71,4 39,3 15,9 189, ,5 71,1 34,6 15,9 177, ,7 72,4 30,5 16,1 169, ,8 71,4 33,2 15,9 174, ,9 71,1 28,6 15,9 162, ,7 72,4 24,4 16,1 154, ,4 27,1 15,9 159,5

125 Ikkuna-aukotusprosentti Seinien U-arvo MLP:n osuus Ikkunoiden U-arvo LTO:n hyötysuhde Liite 4 - Kolmannen simulointikierroksen tulokset Energiankulutus, lämmitys Energiankulutus, sähkö CO2-päästöt, lämmitys CO2-päästöt, sähkö E-luku ,9 102,3 9,2 22,8 156, ,9 100,7 8,8 22,5 153, ,2 99,4 8,4 22,2 150, ,9 100,7 8,6 22,5 152, ,9 99,2 8,1 22,1 149, ,2 97,9 7,7 21,8 146, ,7 9 22, ,1 8,6 22,3 151, ,3 98,8 8, , ,9 109,3 4,6 24,4 154, ,9 107,4 4,4 23,9 151, ,1 105,8 4,2 23,6 148, ,4 107,2 4,3 23,9 150, ,4 105,3 4,1 23,5 147, ,6 103,7 3,9 23, ,5 108,5 4,5 24,2 152, ,5 106,6 4,3 23,8 149, ,6 105,1 4,1 23,4 147, ,2 0 25,9 151, , , , ,7 0 25,4 148, ,5 0 24,9 145, ,6 0 24,4 143, ,4 0 25,7 150, ,1 0 25,2 147, ,3 0 24,8 145, ,2 101,9 9,1 22,7 155, ,2 100,3 8,6 22,4 152, ,6 99 8,3 22,1 149, ,3 100,4 8,4 22,4 151, ,3 98, , ,6 97,5 7,6 21, ,4 101,3 8,9 22,6 154, ,4 99,7 8,4 22, ,7 98,4 8,1 21,9 148, ,6 108,7 4,5 24,2 153, ,6 106,9 4,3 23,8 150, ,8 105,3 4,1 23,5 147, ,2 106,7 4,2 23,8 149, ,1 104,8 4 23,4 146, ,3 103,3 3, , , ,4 24, ,2 106,1 4,2 23, ,3 104,5 4 23,3 146, ,6 0 25,8 151, ,4 0 25,3 148, ,5 0 24,9 145, ,1 0 25,2 147, ,9 0 24,7 144, ,3 142, ,7 0 25, ,5 0 25, ,6 0 24,7 144, ,3 104,1 9,5 23,2 159,4

126 Ikkuna-aukotusprosentti Seinien U-arvo MLP:n osuus Ikkunoiden U-arvo LTO:n hyötysuhde Energiankulutus, lämmitys Energiankulutus, sähkö CO2-päästöt, lämmitys CO2-päästöt, sähkö E-luku ,7 101,3 8,7 22,6 153, ,9 101,6 8,5 22,7 153, ,9 100,1 8,1 22,3 150, ,2 98,8 7, , ,8 103,1 9, , ,8 101,6 8,8 22,7 154, ,2 100,3 8,4 22,4 151, ,7 111,4 4,8 24,8 157, ,7 109,5 4,5 24,4 154, ,8 107,9 4,4 24,1 151, ,4 108,1 4,3 24,1 151, ,4 106,2 4,1 23,7 148, ,6 104,7 3,9 23,3 146, ,9 110,1 4,6 24,6 155, ,9 108,2 4,4 24,1 152, ,1 106,7 4,2 23,8 149, ,6 0 26, , , ,5 0 25,5 149, ,6 0 25,6 149, ,4 0 25,1 146, ,5 0 24,7 144, ,1 0 26, ,9 0 25,6 150, ,2 147, ,8 103,8 9,4 23,1 158, ,8 102,2 9 22,8 155, ,1 100,9 8,6 22, ,4 101,3 8,4 22,6 153, ,4 99,8 8 22, ,7 98,5 7, , ,3 102,8 9,9 24,7 156, ,3 101,2 8,6 22,6 153, ,6 99,9 8,3 22,3 150, ,4 110,9 4,7 24,7 156, , ,5 24,3 153, ,6 107,5 4, ,2 107,7 4, , ,2 105,8 4 23,6 148, ,4 104,3 3,8 23,3 145, ,7 109,7 4,5 24,5 154, ,7 107,8 4, , ,8 106,2 4,1 23,7 148, ,3 154, ,8 0 25,8 151, , ,1 0 25,4 149, , , ,1 0 24,5 143, , , ,3 0 25,5 149, ,5 0 25, ,9 9,9 23,6 162, ,4 9,5 23,3 159, ,3 103,1 9, ,5 8,6 22,9 154, ,9 8,1 22,5 151, ,4 99,7 7,8 22,2 149,3

127 Ikkuna-aukotusprosentti Seinien U-arvo MLP:n osuus Ikkunoiden U-arvo LTO:n hyötysuhde Energiankulutus, lämmitys Energiankulutus, sähkö CO2-päästöt, lämmitys CO2-päästöt, sähkö E-luku , , ,2 101,7 8,6 22, ,5 113,4 4,9 25,3 160, ,5 111,6 4,7 24,9 157, , ,5 24,5 154, , ,3 24,3 152, ,5 107,1 4,1 23, ,7 105,6 3,9 23,5 147, ,4 111,7 4,7 24,9 157, ,4 109,8 4,5 24,5 154, ,6 108,2 4,3 24, , ,7 0 26,5 155, ,9 0 26,1 152, ,5 0 25,8 150, ,3 0 25,3 148, ,5 0 24,9 145, ,8 0 26,5 155, , , ,8 0 25, ,5 105,6 9,8 23, ,6 104,1 9,4 23, ,9 102,8 9 22,9 156, ,6 102,2 8,5 22,8 154, ,6 100,7 8,1 22,4 151, ,4 7,7 22,2 148, ,4 104,2 9,3 23,2 159, ,5 102,7 8,9 22, ,8 101,4 8,5 22,6 153, ,3 113,1 4,9 25,2 159, ,3 111,2 4,7 24,8 156, ,5 109,6 4,5 24,4 154, ,3 108,6 4,2 24,2 152, ,3 106,8 4 23,8 149, ,5 105,2 3,9 23, ,3 113,1 4,9 25,2 159, ,3 111,2 4,7 24,8 156, ,5 109,6 4,5 24,4 154, ,5 0 26,9 157, ,3 0 26,4 154, , , ,1 0 25,7 150, ,9 0 25,2 147, ,1 0 24,8 145, ,4 0 26,4 154, ,2 0 25,9 151, ,3 0 25,5 149,4

128 Liite 5 - Pilvilaskentatarkastelujen tulokset Alustus (webrole) / sekuntia Prosessointi (worker) / sekuntia Instanssit (webrole + worker) Paketteja Kokonaisaika Kokonaisaika alustukselle Zipin purkaminen Tiedostojen siirtäminen storageen (per paketti) Kokonaisaika, prosessointi (per paketti) Simulointi (per paketti) Tiedostojen kopiointi työkansioon (per paketti) Output-tiedoston pakkaaminen ja tallentaminen storageen (per paketti) 1XS + 2XS ,3 0,98 2,1 31,2 28,7 0,23 1,65 1XS + 4XS ,5 0,8 2, ,6 0,1 1,12 1S + 2S ,2 3,3 0,12 29,6 29 0,17 0,34 1S + 4S ,8 0,94 0,12 29,2 28,6 0,12 0,34 1XS + 2XS ,1 3,24 2,1 30,2 28,7 0,1 1,1 1XS + 4XS ,9 2,1 31,5 30,1 0,12 1,08 1S + 2S ,7 3,3 0,12 31,1 30,4 0,15 0,35 1S + 4S ,9 1,6 0,12 29,8 29 0,14 0,34 XS = extra small S = small

129 Liite 6 - Visualisointien toiminnalliset kuvaukset Herkkyysanalyysi, pylväsdiagrammi (bar chart) 1,000 0,800 0,600 0,400 0,200 0,000 SRC Kuvaus Visualisoinnin tarkoituksena on esittää tarkasteluun valittujen muuttujien merkittävyyttä haluttujen suorituskykymittareiden osalta. Kunkin muuttujan merkittävyys esitetään pylväänä, jonka yhteydessä esitetään myös muuttujan nimi. Eri suorituskykymittareilla määritetyt merkittävyydet esitetään eri väreillä kullekin muuttujalle. Suorituskykymittareita vastaavalle väritykselle esitetään selitykset. Muuttujat esitetään merkittävyysjärjestyksessä jonkin suorituskykymittarin mukaan. Vaihtoehtoisesti voidaan valita esitettäväksi yhden suorituskykymittarin herkkyysanalyysi, jolloin vierekkäisinä pylväinä voidaan esittää tyyppimuuttuja (ei numeerisesti esitettävä). Akselin arvoalue on [0,1], mutta sen esittäminen ei ole pakollista. Syötetiedot Simuloinnista suunnitteluratkaisuille saadut suorituskykymittareiden tulokset sekä käytettyjen muuttujien arvot, joista lasketaan herkkyysanalyysin tulokset. (Herkkyysanalyysin kaavat tulevat myöhemmin) Toiminnallisuudet Muuttujien järjestyksen määräävän suorituskykymittarin valitseminen Tarkasteltavien suorituskykymittareiden valitseminen tai tyyppimuuttujan valitseminen ja niiden kuvaaminen rinnakkaisilla pylväillä

130 Päätöksentekoanalyysi, pistekaavio (scatter diagram) Väritys elinkaarikustannusten (vasen) ja ikkunan U-arvon perusteella (oikea). Kuvaus Visualisoinnin tarkoituksena on esittää simuloidut suunnitteluratkaisut tarkasteltavien suorituskykymittareiden avulla. Käytännössä vain kaksi suorituskykymittaria on esitettävissä samanaikaisesti, mutta kolmas suorituskykymittari voidaan esittää suunnitteluratkaisua esittävän symbolin värityksellä. Väritys voidaan asettaa myös kuvaamaan jonkin simuloinnissa käytetyn muuttujan arvoa. Visualisoinnissa suunnitteluratkaisu esitetään ympyrän muotoisena ja edellän mainitun mukaisella tavalla väritettynä. Suorituskykymittareita vastaavilla akseleilla esitetään ko. mittarin arvot sopivin välein sekä mittarin nimi ja mahdollinen yksikkö. Syötetiedot Simuloinnista suunnitteluratkaisuille saadut suorituskykymittareiden tulokset sekä käytettyjen muuttujien arvot. Toiminnallisuudet Akseleilla esitettävien suorituskykymittareiden valinta/vaihtaminen Ratkaisuja esittävien symbolien värityksen muuttaminen vastaamaan haluttua suorituskykymittaria tai muuttujaa Suunnitteluratkaisun korostaminen Kursorin kohdistuksella (hover-toiminto) suunnitteluratkaisua kuvaavan ympyrän koon kasvattaminen kohdistamisen ajaksi. Samalla suunnitteluratkaisun muuttujien arvojen ja rakennuksen pohjapiirroksen esittäminen (mikäli useita vaihtoehtoja).

131 Suunnitteluratkaisun valitseminen: Klikkaamalla samat toiminnallisuudet kuin korostamisessa, mutta korostukset pysyviä (kunnes valinta poistetaan). Valintatoiminnolla kerrytetään vertailtaviksi päätyviä ratkaisuja Valintojen poistaminen Zoomaus Väritys: energiankulutus Väritys: MLP:n osuus Väritys: ikkuna-aukotusprosentti Väritys: LTO:n hyötysuhde Ratkaisun korostaminen (valitsemisessa myös muuttujatiedot)

132 Päätöksentekoanalyysi, usean mittarin painotettu pistekaavio (hyper-radial visualization) Väritys elinkaarikustannusten (vasen) ja ikkunan U-arvon perusteella (oikea). Kuvaus Visualisoinnin tarkoituksena on esittää simuloidut suunnitteluratkaisut kaikkien tarkasteltavien suorituskykymittareiden avulla. Visualisoinnissa esitettään suunnitteluratkaisu ympyrän muotoisena ja ympyrän väritys voidaan asettaa kuvaamaan jonkin suorituskykymittarin tai muuttujan arvoa. Visualisoinnin avulla on mahdollista asettaa painotuksia suorituskykymittareille. Suorituskykymittariryhmiä kuvaavilla akseleilla esitetään arvoväli [0,1] sopivin askelin sekä kumpaankin ryhmään kuuluvien suorituskykymittareiden nimet ja niiden painotukset. Visualisoinnissa tarkasteltava ratkaisu on sitä parempi, mitä lähempänä origoa se sijaitsee. Visualisoinnissa on myös esitettävä yhdenmukaisuuskäyrät, jotka esittävät yhtä hyvien ratkaisujen etäisyyttä origosta. Kun suorituskykymittareita on pariton määrä tai kun käytetään painotuksia, ei etäisyys origosta riitä enää paremmuuden selvittämiseksi, vaan tarvitaan yhdenmukaisuuskäyriä, jotka ovat näissä tapauksissa elliptisiä. Toiminnallisuudet Käytettävien suorituskykymittareiden valinta/vaihtaminen, lisääminen ja poistaminen Suorituskykymittareiden painotusten asettaminen Ratkaisuja esittävien symbolien värityksen muuttaminen vastaamaan haluttua suorituskykymittaria tai muuttujaa Suunnitteluratkaisun korostaminen

133 Kursorin kohdistuksella (hover-toiminto) suunnitteluratkaisua kuvaavan ympyrän koon kasvattaminen kohdistamisen ajaksi. Samalla suunnitteluratkaisun muuttujien arvojen ja rakennuksen pohjapiirroksen esittäminen (mikäli useita vaihtoehtoja) Suunnitteluratkaisun valitseminen: Klikkaamalla samat toiminnallisuudet kuin korostamisessa, mutta korostukset pysyviä (kunnes valinta poistetaan) Valintatoiminnolla kerrytetään vertailtaviksi päätyviä ratkaisuja Valintojen poistaminen Zoomaus Syötetiedot Simuloinnista suunnitteluratkaisuille saadut suorituskykymittareiden tulokset sekä käytettyjen muuttujien arvot. Suorituskykymittareiden tulokset normalisoidaan ja yhdistetään akseleita vastaaviin ryhmiin (normalisoitu suorituskykymittari, suorituskykymittari, mittareiden lukumäärä, 1. ryhmässä käytettyjen mittareiden lukumäärä ): Painotusten määrittäminen tapahtuu suorituskykymittareiden yhdistämisen yhteydessä kertomalla ennen normalisoitujen suorituskykymittareiden arvojen summausta kukin normalisoitu suorituskykymittarin arvo halutulla painoarvolla. Esim. painoarvojen tulee olla väliltä [0,1] siten, että kaikkien asetettujen painoarvojen summa on 1. Väritys: ikkuna-aukotusprosentti Väritys: Energiankulutus

134 Väritys: LTO:n hyötysuhde Ratkaisun korostaminen (valitsemisessa myös muuttujatiedot)