Hensen, J. L. M. and Djunaedy, E. (2006). Eenvoudig of complexe gebouwsimulatie; wat is beter?, TVVL Magazine, vol. 35, no. 6, pp. 8-15
Wat is beter?
Eenvoudig of complexe gebouwsimulatie Gebouwsimulatie is al in ontwikkeling sinds het begin van de jaren 70 [20]. De gebruikte modellen en oplossingstechnieken zijn sindsdien aanzienlijk verbeterd. De nu beschikbare rekencapaciteit, algoritmes en fysische gegevens maken het mogelijk om processen te simuleren op detailniveau en binnen tijdsbestekken die voorheen niet denkbaar waren. Hierdoor kan een indrukwekkend scala van gebouwprestaties worden voorspeld [1, 13, 18]. Daar is echter wel een groot aantal afzonderlijke programma’s voor nodig. De praktijk zou uiteraard liever een geïntegreerde computerondersteunde ontwerpomgeving hebben. Het is ook behoorlijk lastig om een goede kwaliteit van de voorspellingen te waarborgen. In het navolgende wordt eerst ingegaan op waarom dit zo is. Daarna wordt dieper ingegaan op een methodologie voor kwaliteitsbewaking van luchtstroming simulatie. - door prof.dr.ir. Jan Hensen* en dr. Ery Djunaedy**
Wet van Ruppert.
* Technische Universiteit Eindhoven **United Arab Emirates University
- FIGUUR 1-
8
TRADITIONEEL VERSUS COMPUTERSIMULATIE In traditionele ontwerpbenaderingen voor energiegebruik en binnenmilieu werd/ wordt uitgegaan van statische (extreme) binnen- en buitencondities, meestal gebaseerd op sterk vereenvoudigde analytische oplossingsmethoden. We hebben ondertussen echter op numerieke methoden gebaseerde computersimulatieprogramma’s, waarmee multidisciplinair alle voorkomende belastingscondities gedurende het gehele jaar kunnen worden geanalyseerd. Het verschil tussen traditionele methoden en computersimulatie zit niet in de theoretische achtergrond maar vooral in de complexiteit van de gebruikte modellen. Traditionele modellen bevatten misschien tien variabelen en leveren een exacte oplossing van een sterk vereenvoudigd analytisch model van de werkelijkheid. Simulatiemodellen hebben vaak meer dan 10.000 variabelen en proberen een zo goed mogelijke oplossing van een veel realistischer model van de werkelijkheid te verkrijgen. Computersimulatie is eigenlijk experimenteren met een virtueel model van de werkelijkheid. Interessant hierbij is de wet van Ruppert (figuur 1) die aangeeft dat, afhankelijk van de tijd en de complexiteit van het probleem, de kosten voor numerieke (simulatie) experimenten veel lager kunnen zijn dan voor fysische experimenten. De laatstgenoemden zijn uiteraard wel nodig voor verificatie, validatie en kalibratie.
GEB OUWSI M UL ATI E
O
m te beginnen, is er de toenemende complexiteit van de gebouwde omgeving en het aantal te beschouwen aspecten (bijvoorbeeld milieuaspecten). Verder is de markt voor gebouwsimulatie software maar heel klein. Gevolg is dat ontwikkelingen slechts op kleine schaal plaats vinden en vaak voortborduren op bestaande software. Strategieën om dit te verbeteren, zijn gezamenlijk ontwikkelen en bevorderen van interoperabiliteit tussen verschillende softwareprogramma’s [2, 3, 6, 7, 8, 10]. Onze benadering is om software run-time te koppelen 25, 28]). Een ander aspect betreft de beperkte draagwijdte, zowel in de tijd als qua schaalniveau. Gebouwsimulatie wordt meestal alleen gebruikt om het (bijna) definitief ontwerp te toetsen. Dit is routinewerk in veel adviesbureaus en, in toenemende mate, bij installatiebedrijven. Jammer genoeg wordt simulatie zelden gebruikt bij het genereren van ontwerpalternatieven of om een weloverwogen keuze te maken tussen verschillende alternatieven. Simulatie wordt ook zelden gebruikt bij het optimaliseren van een gebouw- en/of installatieontwerp [27]. Als simulatie al in vroegere ontwerpfasen zou worden gebruikt voor, bijvoorbeeld, haalbaarheidsstudie of evaluatie van het conceptueel ontwerp, dan zou dat veel meer impact hebben. Dit is echter geen routinewerk en vereist hoger gekwalificeerd en meer ervaren personeel. Het ligt voor de hand dat bovenstaande verschillende toepassingen/ gebruikers andere software nodig hebben, in termen van gebruikersinterface, modellering en analyse. Zowel de onderzoekswereld als de praktijk is er zich in toenemende mate van bewust dat meer van hetzelfde niet nodig is. Wel is er vraag naar bruikbare en efficiënte beslissingsondersteunende ontwerpsoftware. Wij hebben momenteel twee hieraan gerelateerde projecten waarin wordt onderzocht hoe met simulatie zou kunnen worden geoptimaliseerd en hoe simulatie zou kunnen worden gebruikt in de schetsontwerp fase [12].
Een volgend aspect betreft het toenemende belang van kwaliteit van gebruikers en software. Zoals eerder aangegeven [17, 16, 14] is voldoende vakkennis (over gebouwen en installaties) het eerste vereiste. Uiteraard houdt kwali-
teitsbewaking ook geverifieerde en gevalideerde software in. Een belangrijke internationale inspanning op dit gebied is het BESTEST (Building Energy Simulation TEST) onderzoek [19, 24]. Dit is (en wordt verder) geïmplementeerd in richtlijnen zoals de ASHRAE – SMOT 140 (Standard Method of Test) en de Energie Diagnose Referentie (EDR) in Nederland. Minstens zo belangrijk is de gehanteerde methodologie. Hierbij hoort het selecteren van de geschikte modelschaal, de nauwkeurigheid, de complexiteit en de calibratie van het model. In deze context, is het belangrijk zich te realiseren dat simulaties veel effectiever/ nauwkeuriger zijn wanneer ze relatief worden gebruikt, bijvoorbeeld om prestaties van ontwerpalternatieven te vergelijken. Het is veel moeilijker om in absolute zin nauwkeurig te voorspellen; vaak is dat ook niet echt nodig. In termen van schaal, nauwkeurigheid en complexiteit, is Einstein’s principe van belang: “Een model moet zo eenvoudig mogelijk zijn, maar niet eenvoudiger”. Toch zie je in de praktijk vaak dat te complexe modellen (denk aan computational fluid dynamics (CFD) of ray tracing) worden gebruikt voor problemen die ook met een veel eenvoudiger model efficiënt zouden kunnen worden benaderd. Bij een correcte methodologie hoort ook het voldoende nauwkeurig oplossen van de goede vergelijkingen, in plaats van het exact oplossen van de verkeerde vergelijkingen. Er zijn ondertussen veel modeleeromgevingen waarin je als gebruiker vaak voor dit soort beslissingen komt te staan. Voorbeelden zijn open omgevingen (zoals Matlab) en hoge resolutie benaderingen (denk aan wandfuncties en turbulentiemodellen bij CFD).
LUCHTSTROMINGSSIMULATIE
Laten we ter illustratie van het bovenstaande focussen op luchtstroming in gebouwen. Daarvoor bestaan ten minste drie verschillende benaderingen qua resolutieniveau. 1. Energiebalansmodellen (building energy simulation - BES) waarbij voor de luchtstroming (infiltratie, ventilatie) in principe wordt uitgegaan van aannames of vuistregels. 2. Netwerkmodellen (air flow network - AFN), gebaseerd op behoud van massa balansen en interzonale stroTVVL magazine 6/2006
mings-drukverschil relaties (gebruikelijk voor compleet gebouw). 3.Numerieke stromingsmodellen (computational fluid dynamics CFD), gebaseerd op behoud van energie, massa en impuls in alle (minuscule) cellen van het luchtstromingsdomein – typisch een enkele gebouwzone. [15] gaat over deze verschillende benaderingen en dan in het bijzonder toegepast op verdringingsventilatie. De voornaamste conclusies uit deze studie zijn: - elke benadering heeft voor- en nadelen. Een bouwfysicus of installatieadviseur heeft normaliter elke benadering nodig, maar op andere momenten in het ontwerpproces; - een meer gedetailleerde (complexere) benadering geeft niet per definitie antwoord op alle ontwerpvragen, die wel kunnen worden beantwoord door minder gedetailleerde (minder complexe) benaderingen.
SELECTIE
Wereldwijd zijn er ondertussen honderden simulatieprogramma’s op ons gebied. In de meeste bedrijven zijn meerdere simulatieprogramma’s beschikbaar. Je moet je realiseren dat computercapaciteit, maar meer nog de tijd die nodig is om een betrouwbaar model op te zetten en de resultaten te analyseren, sterk toeneemt bij een meer gedetailleerde en/of complexere benadering. Aan de andere kant is een minder gedetailleerde en/of minder complexe benaderingen misschien niet voldoende betrouwbaar om een specifiek vraagstuk op te lossen. Het selecteren van de juiste benadering is een niet te onderschatten uitdaging. Er bestaat soms de neiging om een te verfijnde methode te gebruiken; soms om bij de opdrachtgever indruk te maken. De extra kosten van gedetailleerde simulaties zullen moeten worden gerechtvaardigd, anders beschadig je op den duur het vertrouwen van de opdrachtgever. Er is behoefte aan richtlijnen om te beslissen welke berekeningsmethode het meest geschikt is, afhankelijk van de ontwerpvraag. Een voorbeeld hiervan is de methode van [26] in figuur 2. Al in een vroeg ontwerpstadium kan de vereiste complexiteit van het model worden vastgesteld. Wellicht is het een 9
gen je moet je niet laten (ver)leiden door de software; - er moeten probleemafhankelijke redenen zijn om naar een model met hogere resolutie en complexiteit en nauwkeurigheid over te stappen; - simulaties moeten in principe met zo laag mogelijke resolutie en complexiteit worden uitgevoerd, zodat uiteindelijk zo min mogelijk ontwerpvarianten op hogere niveaus moeten worden gesimuleerd. De verticale as in figuur 3 beschrijft het resolutieniveau. Van laag naar hoog zien we energiebalans-simulatie (BES), netwerksimulatie van luchtstromen (AFN), en CFD. De niveaus zijn gescheiden door een of meer beslissingslagen. De horizontale as beschrijft de complexiteit bij een gegeven resolutieniveau. De eerste stap betreft het minimale resolutieniveau, afhankelijk van de ontwerpvraag. Bijvoorbeeld: - om energiebehoefte te voorspellen is in eerste instantie BES afdoende; - als je iets wilt weten over een binnenluchttemperatuurgradiënt dan heb je minimaal AFN nodig; - zogenaamde “local mean age of air” kun je alleen voorspellen met CFD.
Selectie van berekeningsmethode afhankelijk van ontwerp innovativiteit en type installatie [26]. - FIGUUR 2-
“standaard” ontwerp. Ook kan het een volledig nieuw innovatief ontwerp zijn, of iets er tussen in. In combinatie met het type installatie, geeft figuur 2 een indicatie welke berekeningsmethode het meest geschikt is. De door ons voorgestelde richtlijn (uitvoeriger dan hier beschreven in [9]) is gebaseerd op bovengenoemd onderzoek. De methode van [26] is in eerste instantie prima. Wij gaan nog enkele stappen verder omdat: - ondertussen energiebalans-simulatie (BES) per tijdstap gekoppeld met CFD mogelijk is en die optie niet meegenomen is in figuur 2; - zoals [15] aantoonde, hebben we verschillende niveaus van complexi10
teit en détail nodig op verschillende momenten in het ontwerpproces. Figuur 3 toont onze “coupling procedure decision methodology” (CPDM). In eerste instantie werd die ontwikkeld voor het onderzoek naar BES gekoppeld met CFD [9]. BES gekoppeld met CFD is zeer rekenintensief; je moet het dus alleen doen als het echt nodig is. De CPDM kan echter ook meer algemeen worden toegepast om afhankelijk van het probleem of ontwerpvraag het gewenste niveau qua resolutie en complexiteit vast te stellen. De belangrijkste uitgangspunten voor de CPDM zijn: - een simulatie moet consistent zijn met het beoogde doel, dat wil zegGEB OUWSI M UL ATI E
De tweede stap beoogt te controleren of deze minimale resolutie voldoende is in het voorliggende geval. Bijvoorbeeld: - een warmte-/koellast voorspelling met BES is soms heel gevoelig voor aannames over convectieve warmteoverdracht (hc-coëfficiënten);CFD kan dan worden gebruikt om hccoëfficiënten betrouwbaarder te voorspellen; - de voorspelde warmte- of koellast met BES kan te gevoelig zijn voor aannames over infiltratie of ventilatie tussen zones; AFN kan dan worden gebruikt voor meer betrouwbare voorspellingen van de luchtstromen. In de CPDM worden beslissingen genomen op basis van prestatie indicatoren (tabel 1). Deze kunnen globaal in drie categorieën worden ingedeeld, gerelateerd aan energie, belasting of comfort. Elke van deze categorieën zal worden gebruikt voor verschillende beslissingen gedurende het ontwerpproces. Iedere categorie bevat meerdere indicatoren. Sommige indicatoren volgen
Prestatie indicator
Simulatie methode
Energie gerelateerd a. Energiebehoefte voor verwarming
BES
b. Energiebehoefte voor koeling
BES
c. Elektriciteit voor ventilator
BES
d. Gasverbruik
BES
e. Primaire energiebehoefte
BES
Belasting gerelateerd f. Maximale warmtelast
BES
g. Maximale koellast
BES
Comfort gerelateerd h. PMV / PPD
BES
i. Maximale binnentemperatuur
BES
j. Minimale oppervlaktetemperatuur
BES
k. Temperatuur-overschrijding
BES
l. Binnentemperatuur-gradiënt
AFN
m. Turbulentie-intensiteit
CFD
n. Distributie van contaminatie
AFN
o. Ventilatie effectiviteit
AFN
p. Local mean age of air
CFD
Voorbeelden van prestatie indicatoren en minimaal vereiste modelresolutie
Coupling Procedure Decision Methodology. - FIGUUR 3-
- TABEL 1-
direct uit de simulatieresultaten. Anderen moeten worden afgeleid met handberekeningen of additionele simulaties. Er is geen gewicht aan de indicatoren toegekend. Afhankelijk van het ontwerp kunnen bepaalde indicatoren meer of minder belangrijk zijn. Er zijn overigens maar weinig indicatoren die alleen met AFN of CFD kunnen worden voorspeld.
GEVOELIHEIDSANALYSE
Een gevoeligheidsanalyse is systematisch onderzoek naar veranderingen in simulatieresultaten als reactie op extreme waarden van de kwantitatieve modelfactoren of op drastische veranderingen van de kwalitatieve modelfactoren [21]. Dit type analyse wordt gebruikt in vele technische vakgebieden gebruikt als een zogenaamde ‘what-if ’ analyse. Een voorbeeld hiervan bij gebouwsimulaties is beschreven door [22].
Gevoeligheidsanalyses worden vooral gebruikt om te onderzoeken hoe simulatieresultaten veranderen bij wijziging van één (of meer) invoerparameters. Dit wordt meestal gedaan om na te gaan welke invoergegevens de grootste invloed hebben op de resultaten. Gevoeligheidsanalyse is een vast onderdeel van verificatie en validatie. In [11] wordt zelfs voorgesteld om het bij iedere simulatie toe te passen. Uit eerder werk, bijv. [17, 23 en 5], weten we dat voordat wordt overgestapt naar een hoger resolutieniveau, de gevoeligheid moet worden geanalyseerd voor: - parameters over luchtstroming (vooral infiltratie), voor de beslissing om AFN te gebruiken; (in het navolgende wordt dit aangeduid met SAaf); - convectieve warmteoverdrachtscoëfficiënt, voor de beslissing om CFD te gebruiken; (in het navolgende wordt dit aangeduid met SAhc). TVVL magazine 6/2006
Normaal gesproken is er bij gevoeligheidsanalyses sprake van veel invoerparameters en één uitvoerwaarde. Hierdoor kunnen we gemakkelijk de effecten van elke invoerwaarde vergelijken en kwantificeren. Echter in de toepassing voor CPDM ligt dat iets anders. De significantie van de verschillende resultaten is afhankelijk van het project. Dit is de reden waarom niet is getracht om gewicht toe te kennen aan de verschillende prestatie indicatoren. Figuur 4 toont twee scenario’s voor het gebruik van CPDM. Iedere prestatie indicatoren heeft een streefwaarde die kan worden bepaald uit normen, richtlijnen of op basis van ervaring. Deze richtwaarde kan een maximum, minimum, of een reeks van acceptabele waarden zijn. Het resultaat van de SA (gevoeligheidsanalyse) is als het ware de bandbreedte van het resultaat. In het voorbeeld-scenario van figuur 11
4a kan de met BES voorspelde waarde hoger uitvallen dan de maximale streefwaarde. Het Saaf-resultaat geeft aan dat een AFN-gekoppelde simulatie nodig is. Op het AFN-niveau geeft het Sahc-resultaat aan dat de voorspelde waarden “altijd” lager zijn dan de maximale streefwaarde en er is dus geen CFD-berekening nodig. In figuur 4b kan de met BES voorspelde waarde lager zijn dan de minimale streefwaarde. Het Saaf-resultaat geeft aan dat de AFN-gekoppelde simulatie nodig is. Op het AFN-niveau geeft het Sahc-resultaat aan dat de uitvoerwaarde nog steeds lager kan zijn dan de minimum streefwaarde en CFD-berekeningen dus nodig zijn.
VOORBEELD
Het volgende praktijkvoorbeeld dient om de CPDM toe te lichten. Het betreft een kantoortuin in het Bouwkunde gebouw (figuur 5) van de TU Eindhoven.
MODEL
Het model omvat een 6 m brede en 12,5 meter diepe sectie van een 5,4 m hoge kantoorruimte. De enige buitenwand is opgebouwd uit dubbel glas, met oriëntatie op het zuiden. Alle andere wanden worden verondersteld adiabatisch te zijn. In deze kantoorruimte werken 10 personen. Met het kunstlicht en apparatuur leidt dat tot 35 W/m2 interne warmtelast. Koeling en verwarming geschiedt door middel van airconditioning.
Verschillende gevoeligheidsanalyse scenario’s voor CPDM. - FIGUUR 4-
Vanwege het grote glasoppervlak wil de adviseur de energiebehoefte, de warmte- en koellasten, en vooral thermische comfort aspecten in zowel de winter als de zomer voorspellen. Thermische onbehaaglijkheid zou kunnen worden veroorzaakt door stralingsasymmetrie en/of door koudeval aan de gevel. Tabel 2 toont enkele ontwerpvarianten.
METHODOLOGIE
In eerste instantie (= bovenste laag in Figuur 3; d.w.z. alleen BES) wordt uitgegaan van typische aannamen voor kantoorgebruik. Daarna worden twee gevoeligheidsanalyses uitgevoerd. - Luchtstroming: de uitgangssituatie is dat het infiltratiedebiet 0,3 /h is.
Het gebouw en het model. - FIGUUR 5-
12
GEB OUWSI M UL ATI E
Isometrisch aanzicht
Beglazing
Opmerkingen
Dubbelglas, zonder zonwering
Configuratie 1 = basismodel
Dubbelglas, zonder zonwering
Configuratie 2 is hetzelfde als Configuratie 1, maar het glasoppervlak is maar 2 m x 4 m
Dubbelglas, met binnen-zonwering
Configuratie 3 is hetzelfde als Configuratie 1, maar met zonwering aan de binnenzijde
Dubbelglas, met tussen-zonwering
Configuratie 4 is hetzelfde als Configuratie 1, maar met zonwering in de spouw
Dubbelglas, zonder zonwering
Configuratie 5 is hetzelfde als Configuratie 1, met extra gordijn op 0,5 m van de wand, tot 2 m boven de vloer
mingparameters dan voor de convectieve warmteoverdrachtscoëfficiënt Soortgelijke conclusies gelden voor de energiebehoefte voor koelen en de maximale warmte- en koellast.
DISCUSSIE
Ontwerpvarianten voor de gevel. - TABEL 2-
In werkelijkheid kan het tussen de 0,05 en 0,5 /h liggen. Deze twee waarden vormen het minimum en maximum voor de gevoeligheidsanalyse. - Convectieve warmteoverdracht: de uitgangssituatie voor de convectieve warmteoverdrachtscoëfficiënt gebruik is de Alamdari-Hammond-relatie, die feitelijk alleen geldt voor natuurlijke convectie. Er zou echter ook gedwongen stroming kunnen zijn. De convectieve warmteoverdrachtscoëfficiënt zou kunnen varieren van 1 tot 6 W/m2K. Deze twee waarden vormen de minimum en maximum waarde voor de gevoeligheidsanalyse. De simulaties zijn uitgevoerd met ESP-r. De luchtbehandelingsstrategie is gericht op een PPD-waarde van ongeveer 10 % gedurende kantooruren; d.w.z. het setpoint voor de operatieve temperatuur in het midden van de ruimte is 23 °C of 26 °C voor de winter resp. de zomer. Hier wordt verder niet diep ingegaan op het gebouw en de voorspellingen; het voorbeeld
wordt hier alleen gebruikt om de CPDM toe te lichten.
RESULTATEN
Tabel 3 toont enkele voorspelde waarden van de beschouwde prestatie indicatoren. De resultaten van de gevoeligheidsanalyse worden gepresenteerd als maximale afwijking ten opzichte van de uitgangssituatie uitgedrukt als percentage. Er is geen weging toegepast. In de praktijk zal dat wel gebeuren; het ontwerpteam zal moeten bepalen welke prestatie-indicatoren meer of minder belangrijk zijn bij een bepaald project. Over de PPD moet worden opgemerkt dat de gepresenteerde resultaten geen betrekking hebben op de sensorlocatie (het midden van de ruimte), maar gelden voor een punt 1.5 m uit de gevel en 1 m boven de vloer. Configuratie 3 geeft de hoogste energiebehoefte voor verwarming; configuratie 2 de laagste. Voor alle configuraties geldt dat de voorspelde warmtebehoefte gevoeliger is voor de luchtstroTVVL magazine 6/2006
Gevoeligheidsanalyse wordt bij CPDM gebruikt om het correcte resolutieniveau te bepalen. De maximale afwijking van de uitgangssituatie geeft de gevoeligheid van een prestatie indicator voor de luchtstromingparameters en de warmteoverdrachtscoëfficiënten. In dit voorbeeld is een arbitraire waarde van 20 % gekozen als limiet. Beneden deze limiet wordt de prestatie-indicator als ongevoelig voor de luchtstromingparameter (Saf ) of de warmteoverdrachtscoëfficiënt (Shc) beschouwd. Dit is met grijs aangegeven in tabel 3. De grijze combinaties zouden opnieuw moeten worden gesimuleerd, maar dan met een hogere resolutie. Voordat we dit doen, zouden er eerst alvast enkele configuraties kunnen worden verworpen; normaliter door, of in overleg met, het ontwerpteam. Het voorbeeld is gebaseerd op configuraties met gelijke PPD-waarde. Selectie van interessante configuraties zal daarom waarschijnlijk op basis van energievoorspellingen plaats vinden. Vanuit het oogpunt van de primaire energie gezien, is Configuratie 1 het minst aantrekkelijk. Mits er geen architectonische of bouwtechnische bezwaren zijn, lijkt Configuratie 2 de beste optie. Als dat wel zo is, dan moeten Configuratie 4 en Configuratie 5 met een hogere resolutie worden gesimuleerd. Een dergelijke procedure kan ook worden gevolgd voor de overige CPDMbeslissingen (de vraagtekens in figuur 3).
CONCLUSIE
We hebben getracht om oplossingen aan te geven voor een paar van de belangrijkste belemmeringen bij het gebruik van gebouwsimulaties in het ontwerpproces. Zoals schematisch aangegeven in figuur 6, is één van onze doelstellingen om interesse en belang van gebouwsimulatie te vergroten door correcte en relevante toepassingen in de praktijk. Het is zaak om bij opkomende technologieën (zoals CFD ?) “over-hype” en daaropvolgende teleurstelling te voorkomen, door 13
Configuratie 1
Configuratie 2
Configuratie 3
Configuratie 4
Configuratie 5
Basis waarde
Saf
Shc
Basis waarde
Saf
Shc
Basis waarde
Saf
Shc
Basis waarde
Saf
Shc
Basis waarde
Saf
Shc
Energiebehoefte voor verwarming
4891
38 %
20 %
3.570
60 %
10 %
6.883
33 %
16 %
4.798
45%
11%
4207
47%
14%
Energiebehoefte voor koeling
3.734
29 %
4%
1462
76 %
7%
719
58 %
6%
1448
55%
4%
2168
48%
7%
Max warmtelast
17
17 %
66 %
14
25 %
61 %
18
16 %
64 %
16
20%
62%
15
21%
57%
Max koellast
14
5%
25 %
6
13 %
11 %
7
7%
25 %
7
7%
21%
8
10%
13%
611
38 %
20 %
446
60 %
10 %
860
33 %
16 %
600
45%
11%
526
47%
14%
Elektriciteit voor ventilatoren
3.714
0%
0%
3.714
0%
0%
3.714
0%
0%
3714
0%
0%
3714
0%
0%
Primaire energie
12.339
7%
7%
8.745
15 %
3%
11.316
17 %
10 %
9959
14%
5%
10089
11%
4%
PPD winter
8
0%
6%
8
1%
4%
8
0%
6%
8
0%
5%
7
1%
4%
PPD zomer
6
1%
8%
6
0%
3%
7
2%
3%
7
0%
5%
6
0%
2%
Max. zone-temperatuur
36
9%
4%
33
6%
8%
36
4%
11 %
34
3%
9%
33
3%
7%
Min. zone-temperatuur
9
22 %
9%
11
24 %
13 %
9
22 %
10 %
10
23%
12%
11
21%
11%
80
681 % 199 %
169
22 %
193 %
150
157%
126%
262
275%
129%
Prestatie indicator
Gasverbruik
Temperatuuroverschrijdingsuren
522
103 % 123 % (a)
(b)
(c)
(d)
(e)
BES resultaten voor de verschillende gevelconfiguraties. Saf = relatieve gevoeligheid voor luchtstroming aannames; Shc= relatieve gevoeligheid voor convectieve warmteoverdracht aannames; grijs > 20 % -TABEL 3-
REFERENTIES
Technologie hype cyclus; ook van toepassing op gebouwsimulaties. - FIGUUR 6-
realistisch te zijn over de potentiële mogelijkheden en bezwaren. Tot slot gelden ook voor alle vormen van gebouwsimulatie de tien [4] regels over wanneer je niet moet simuleren; namelijk als: 1. het probleem met gezond verstand opgelost kan worden; 2. het probleem analytisch opgelost kan worden; 3. het makkelijker is metingen aan het echte systeem uit te voeren; 4. de simulatiekosten hoger zijn dan 14
de potentiële besparingen; 5. er niet voldoende middelen beschikbaar zijn; 6. er niet genoeg tijd is voor de resultaten van het model om bruikbaar te zijn; 7. er geen gegevens zijn – zelfs geen schattingen; 8. het model niet kan worden geverifieerd of gevalideerd; 9. de verwachtingen van het project niet kunnen worden gerealiseerd; 10.het systeemgedrag te complex is, of niet kan worden gedefinieerd. GEB OUWSI M UL ATI E
1. Augenbroe, G.L.M. & J.L.M. Hensen 2004. “Simulation for better building design,” Building and Environment, vol. 38. 2. Augenbroe G. & C Eastman 1998. “Product modeling strategies for today and the future”, The Life-Cycle of Construction Innovations: CIB Working Conference, June 3-5, Stockholm Sweden. 3. Bazjanac, V. & Crawley, D., 1999. Industry foundation classes and interoperable commercial software in support of design of energy-efficient buildings. In: Nakahara, Yoshida, Udagawa and Hensen, ed. Building Simulation ’99, 6th International IBPSA Conference, Kyoto, Japan., September 13-15 1999, 661-667. 4. Banks, J. & Gibson, R.R. 1997. “Don’t simulate when...10 Rules for determining when simulation is not appropriate,” in IIE Solutions. 5. Beausoleil-Morrison I. 2001. The adaptive coupling of heat and air flow modeling within dynamic wholebuilding simulation. PhD thesis. Glasgow: University of Strathclyde. 6. BLIS (2002). Building Lifecycle
Interoperable Software website [online]. Available from http://www.blisproject.org/. 7. Bloor MS & J Owen 1995. Product data exchange, UCL Press, London. 8. Crawley, D.B. & Lawrie, L.K., 1997. “What next for building energy simulation – a glimpse of the future”. In: Spitler en Hensen, ed. Building Simulation ’97, 5th International IBPSA Conference, Prague, Czech Republic, September 8-10 1997, volume II, 395-402. 9. Djunaedy, E. 2005. “External coupling between building energy simulation and computational fluid dynamics”, proefschrift Technische Universiteit Eindhoven. 10.Eastman, C.M., 1999. Building product models: computer environments supporting design and construction. Boca Raton, Florida USA: CRC Press. 11.Fuhrbringer JM & Roulet CA. 1999 Confidence of simulation results: put a sensitivity analysis module in your MODEL – The IEA – ECBCS Annex 23 experience of model evaluation. Energy and Buildings; 30: 61 – 71. 12.Hensen, J. L. M. 2004. “Towards more effective use of building performance simulation in design”, in Proc. 7th International Conference on Design & Decision Support Systems in Architecture and Urban Planning, 2-5 July , Technische Universiteit Eindhoven. 13.Hensen, J.L.M. & N. Nakahara 2001. “Building and environmental performance simulation: current state and future issues,” Building and Environment, vol. 36, no. 6, p. 671-672. 14.Hensen, J.L.M. & J.A. Clarke 2000. “Building systems and indoor environment: simulation for design decision support,” in Proc. International Conference on Design and Decision Support Systems in Architecture & Urban Planning, Nijkerk, August 22-25, Vol. Architecture, pp. 177-189, Eindhoven University of Technology. 15.Hensen JLM, Hamelinck MJH & Loomans, MGLC. 1996. “Modelling approaches for displacement ventilation in offices: Roomvent ‘96 Proceedings of the 5th International Conference on Air Distribution in Rooms, Yokohama.
16.Hensen, J.L.M. 1993. “Design support via simulation of building and plant thermal interaction,” in Design and Decision Support Systems in Architecture, ed. H. Timmermans, pp. 227-238, Kluwer Academic Publishers, Dordrecht (NL). 17.Hensen, J.L.M. 1991. “On the thermal interaction of building structure and heating and ventilating system”. proefschrift Technische Universiteit Eindhoven. 18.Hong, T.; Chou, S.K. & Bong, T.Y., 2000. “Building simulation: an overview of developments and information sources”. Building and Environment, 35 (4), 347-361. 19.Judkoff, R. en J. Neymark. International Energy Agency Building Energy Simulation Test (BESTEST) and Diagnostic Method. 1995. National Renewable Energy Laboratory. 20.Kusuda, T. 2001. “Early history and future prospercts of building system simulation,” in Proc. Building Simulation ’99 in Kyoto, pp. 3-15, International Building Performance Simulation Association – IBPSA. 21.Kleijnen JPC. 1997 Sensitivity analysis and related analyses: A review of some statistical techniques, Journal of Statistical Computation and Simulation; 57: 111 – 142. 22.Lomas K J & Eppel H. 1992 Sensitivity Analysis Techniques for Building Thermal Simulation Programs, Energy and Buildings; 19:21 – 44. 23.Negrao COR. 1995. Conflation of Computational Fluid Dynamics and Building Thermal Simulation, PhD Thesis. Glasgow: University of Strathclyde. 24.Neymark, J., R. Judkoff, G. Knabe, H.-T. & Le, M. Durig, A. Glass and G. Zweifel. HVAC BESTEST: A procedure for testing the ability of whole-building energy simulation programs to model space conditioning equipment. 7th International IBPSA Conference, 369-376. 2001. Brazil, International Building Performance Simulation Association. 25.Radosevic, M., Hensen, J. L. M., & Wijsman, A. J. T. M. 2005. “Implementation strategies for distributed modeling and simulation of building systems”, in Proc. 9th Int. IBPSA Conference, 15 - 18 August, International Building Performance Simulation Association, Montreal. TVVL magazine 6/2006
26.Slater S & Cartmell B. 2003 Hard working software. Building Services Journal; February: 37 – 40. 27.Wilde, P. de, 2004. “Computational Support for the Selection of Energy Saving Building Components”. proefschrift Technische Universiteit Delft. 28.Yahiaoui, A., Hensen, J., Soethout, L., & Paassen, A. H. C. v. 2005. “Applying advanced control strategies in building performance simulation by using run-time coupling”, in Proc. 8th REHVA World Congress, Clima 2005, 9 - 12 October, REHVA Federation of European Heating, Ventilating and Air-conditioning Associations, Lausanne.
15
