Benz, AlexanderAlexanderBenzVölker, ConradConradVölkerSmarsly, KayKaySmarsly2025-01-272025-01-272024-03Proceedings Bauphysiktage in Weimar 2024 : Bauphysik in Forschung und Praxishttps://tore.tuhh.de/handle/11420/53493Die in-situ Bestimmung von U-Werten ist in der Regel mit großen Ungenauigkeiten sowie langen Messdauern verbunden. In der Literatur werden Messzeiträume von 72 h bis zu mehr als zwei Wochen angegeben und Abweichungen von 25 % bis zu 75% genannt. Als Hauptgründe für diese Umstände werden hohe thermische Speichermassen, geringe Temperaturgradienten, instationäre Randbedingungen sowie wechselnde Richtungen des Wärmestroms angeführt. Künstliche neuronale Netze (KNN) bieten die Möglichkeit die oben aufgeführten Zusammenhänge zu quantifizieren. Durch die Wahl eines Regressionsansatzes in KNNs können Einflüsse instationärer Umwelteinflüsse (z.B. Wärmestrom, Lufttemperatur und Solarstrahlung) effizienter als bisher mit stationären Größen, wie dem U-Wert, in Zusammenhang gebracht werden. Die Autoren stellen in dieser Arbeit die Anwendung von KNN für die Auswertung von Simulationsdaten im Kontext der Bestimmung von U-Werten vor. Der Aufbau der Trainingsdaten erfolgt ausschließlich durch thermisch-instationäre Bauteilsimulationen auf Basis finiter Elemente. Hierdurch sollen zukünftig umfangreiche Messungen für den Aufbau der Trainingsdaten entfallen. Im Rahmen dieser Arbeit werden mehrlagige neuronale Netze mit 4 bis 15 hidden layers für die Regression des U-Werts genutzt. Die verschiedenen Netzwerkarchitekturen werden abschließend hinsichtlich ihrer Ergebnisse in Trainings- und Testdurchläufen bewertet und Möglichkeiten für die Anwendung auf Messdaten aufgezeigt.The in-situ estimation of U-values is usually associated with high inaccuracies and long measuring campaigns. Literature sources mention time intervalls of 72 hours up to more than two weeks as well as derivations of up to 40 % (Evangelisti et al., 2016). Main reasons cited for these circumstances are high thermal capacities, low temperature gradients, transient boundary conditions and alternating directions of the heat flow. Artificial neural networks (ANNs) offer the possibility of quantifying the correlations listed above. By choosing a regression-based approach implemented with ANNs, transient environmental influences (e.g., heat flow, air temperature and solar radiation) can be correlated with variables that are by definition stationary, such as the U-value. In this paper, the authors present the application of ANNs for estimating U-values using simulation data. The training data is generated exclusively by transient simulations of building elements based on finite elements, eliminating the need for extensive measurements to generate the training data. In this work, three-layer neural networks with 2 to 20 neurons within the hidden layer are used for the regression of U-values. The regression results obtained are compared with U-values of the mean value method for referencing the proposed methodology.dehttps://creativecommons.org/licenses/by/4.0/MLE@TUHHComputer Science, Information and General Works::006: Special computer methodsConference Paperhttps://doi.org/10.15480/882.1448110.25643/dbt.5994110.15480/882.14481Conference Paper