Refine
Document Type
- Conference Proceeding (1)
- Master's Thesis (1)
Conference Type
- Konferenzartikel (1)
Keywords
- Blac-box models (1)
- Grey-box models (1)
- LES (1)
- Mikroklima (1)
- Mikroklimamessung (1)
- Neural networks (1)
- Self learning (1)
- Stadtklima (1)
- Stadtklimasimulation (1)
- building thermal dynamycs (1)
Institute
Open Access
- Bronze (1)
- Closed (1)
- Open Access (1)
Ziel der vorliegenden Arbeit ist die Durchführung einer Stadtklimasimulation vom Campus Offenburg. Um die Simulation auf Plausibilität überprüfen zu können, werden zudem Mikroklimamessungen vom Offenburger Campus durchgeführt. Die Ergebnisse der Simulation sollten im Anschluss mit den Messergebnissen verglichen werden.
Für die Durchführung der Stadtklimasimulation sowie der Mikroklimamessung werden zunächst verschiedene Vorbereitungen getroffen. Für die Stadtklimasimulation müssen im wesentlichen zwei Dateien vorbereitet werden. Eine Datei enthält Informationen zur Topologie, während die andere Datei Informationen zur Initialisierung der Simulation beinhaltet. Um den Rechenaufwand der Simulation gering halten zu können, müssen verschiedene Vereinfachungen getroffen werden. Für die Mikroklimamessung muss ein Messsystem entwickelt werden, welches sich aus stationären sowie mobilen Temperaturmessungen zusammensetzt. Für die stationäre Temperaturmessung werden Sensoren, verteilt über den ganzen Campus, platziert. Bei der mobilen Messung kommt eine Messvorrichtung mit GPS System, welches auf einem Fahrrad aufgebaut wird, zum Einsatz. Für Innenraum-temperaturen stehen fest installierte Sensoren zur Verfügung.
Der Vergleich zwischen Simulation und Messung zeigt auf, dass die Außentemperaturen der Simulation zu hoch sind. Die simulierten Temperaturdifferenzen können unter Berücksichtigung der getroffenen Vereinfachungen plausibilisiert werden. Die simulierten Innenraumtemperaturen weisen große Unterschiede im Vergleich zu den Messungen auf. Dies kann auf die getroffenen Vereinfachungen bei der Simulation zurückgeführt werden. Der Vergleich der Ergebnisse zeigt, dass Anpassungen in der Simulation erforderlich sind.
With climate change and global rising temperatures heat health warning systems have become important in accurately predicting heat waves. However, most heat health warning systems rely on the ambient temperature forecast and do not take indoor building conditions into consideration. Moreover, a general heat warning system cannot accurately predict the heat stress conditions in individual buildings. To implement the prediction algorithms the study also proposes a Raspberry Pi based measurement system. Furthermore, to reduce the computational load on Raspberry Pi a Transfer learning technique is implemented from a pre trained Long Short-Term Memory (LSTM) neural network. The results show prediction accuracy of 97% with an RMSE of 0.218 for indoor temperature prediction.