Een door AI gestuurd multi-doelraamwerk voor het optimaliseren van raammaatvoering met oog voor energiebehoefte en thermisch comfort

Waarom raammaten belangrijker zijn dan je denkt

Als we aan energiezuinige gebouwen denken, beelden we ons vaak zonnepanelen of dikke isolatie in—maar gewone ramen bepalen stilletjes hoeveel energie een gebouw verbruikt en hoe comfortabel het aanvoelt. Deze studie behandelt een ogenschijnlijk simpele vraag met grote praktische gevolgen: hoe breed en hoe hoog moet een kantoorraam zijn zodat de mensen binnen zich comfortabel voelen terwijl de verwarmings- en koelingskosten van het gebouw onder controle blijven? Door kunstmatige intelligentie te gebruiken om duizenden ontwerpmogelijkheden te doorzoeken, laten de onderzoekers zien hoe “precies goed” ramen een slimme balans kunnen vinden tussen comfort en energiegebruik in een hete, droge stad als Teheran.

Een eenvoudig gebouw om een lastige vraag te beantwoorden

Om de effecten van raammaten te ontrafelen, beginnen de auteurs met een opzettelijk eenvoudige éénoverige kantoorruimte in de vorm van een schoenendoos. De wanden, het dak, de vloer en de gebouworiëntatie zijn allemaal vastgelegd, en er is slechts één raam in de hoofdgevel. De enige variabelen zijn de raambreedte en -hoogte, die worden gevarieerd over een realistisch bereik van vrij klein tot zeer groot. Voor bijna tienduizend raamcombinaties schatten computersimulaties de energie die het gebouw over een jaar nodig heeft voor koeling en verwarming, en hoe vaak de binnentemperaturen binnen een comfortband liggen die mensen waarschijnlijk acceptabel vinden zonder airconditioning. Deze versoberde opzet stelt het team in staat zich volledig te concentreren op hoe alleen de raammaten de energiebehoefte en het comfort hervormen.

Het kunstmatige brein de patronen laten leren

Het draaien van duizenden gedetailleerde simulaties kost veel tijd, en het verkennen van nog meer ontwerpmogelijkheden wordt snel onpraktisch. Om het proces te versnellen, trainen de onderzoekers een kunstmatig neuraal netwerk—een type AI dat losjes is geïnspireerd op hoe hersenen informatie verwerken—op de simulatieresultaten. Eenmaal getraind kan dit ‘surrogaat’-model direct de koel- en verwarmingsbehoefte en comfortniveaus voorspellen voor elke nieuwe raammaten binnen het bestudeerde bereik. Tests tonen aan dat zijn voorspellingen de originele simulatieresultaten zeer nauw volgen en meer dan 99% van de variatie in alle drie de maatstaven vastleggen. Met andere woorden: de AI wordt een snel, betrouwbaar vervangend model voor de tragere fysica-gebaseerde simulaties.

Op zoek naar de beste compromissen, niet naar één perfect antwoord

Met dit snelle digitale vervangingsmodel wendt het team evolutionaire zoekmethoden aan—algoritmen geïnspireerd op natuurlijke selectie—om raammaten te vinden die tegenstrijdige doelen in balans brengen. Hier zijn de doelen het verminderen van de jaarlijkse koelenergie, het verminderen van de jaarlijkse verwarmingsenergie en het vergroten van het aandeel van de tijd waarin binnentemperaturen comfortabel aanvoelen zonder mechanische koeling. Omdat grotere ramen in de winter helpen (meer zon en warmte) maar in de zomer nadelig zijn (meer oververhitting), is er geen enkel ‘beste’ raam. In plaats daarvan construeren de algoritmen een reeks evenwaardige compromisontwerpen, bekend als een Pareto-front, waarbij geen optie in één doel kan verbeteren zonder een ander te verslechteren. Voor dit specifieke kantoor in Teheran blijken ramen met een tussengrootte de ideale keuze: ze houden de verwarmingsvraag veel lager dan kleine ramen, beperken de koelvraag goed vergeleken met de grootste ramen en bieden comfortniveaus van boven ongeveer 80% van de bezette uren.

Wat de resultaten onthullen over raammaten

De patronen die uit de door AI gestuurde zoektocht naar voren komen zijn intuïtief maar kwantificeerbaar. Naarmate de raamoppervlakte toeneemt, stijgt de jaarlijkse koelenergie vrijwel voortdurend, omdat het zuidgerichte glas tijdens het hete seizoen meer zonnewarmte binnenlaat. Tegelijkertijd daalt de verwarmingsenergie omdat winterzon nuttige warmte levert die het warmteverlies via het glas meer dan compenseert. De in deze studie gebruikte comfortmaat—hoe vaak binnentemperaturen binnen een adaptieve comfortband voor natuurlijk geventileerde ruimtes vallen—neemt ook toe met de raammaten, voornamelijk omdat grotere ramen meer milde-weer-warmte opvangen. Deze index straft echter korte of extreme oververhitting niet volledig af, dus zeer grote ramen kunnen soms nog oncomfortabel heet aanvoelen, zelfs als ze goed scoren op de gekozen comfortmaat. Deze nuance benadrukt waarom ontwerpers de comfortresultaten van de studie moeten zien als vergelijkende richtlijnen in plaats van absolute garanties.

Hoe dit ontwerpers en gebouweigenaren helpt

Voor architecten, ingenieurs en zelfs gebouweigenaren is de praktische boodschap helder: raamgrootte is geen kwestie van “bigger is always better” of “small is always safer.” De studie toont aan dat er een band van tussengrootte raammaten bestaat die sterke comfortvoordelen biedt terwijl de energiebehoefte onder controle blijft, vooral in klimaten met lange stookseizoenen en kortere, intense koelperiodes zoals Teheran. Door gedetailleerde simulaties, een snel lerend AI-model en evolutionaire zoekmethoden te combineren, biedt het raamwerk ontwerpers een duidelijk overzicht van goed presterende opties in plaats van een rigide, éénvoudig voorschrift. Dat betekent dat zij comfort, energiekosten en esthetische voorkeuren naast elkaar kunnen afwegen—op basis van data, niet giswerk—bij het bepalen van de raamgrootte voor toekomstige gebouwen.

Bronvermelding: Nasab, S.M.R.A., Rabiei, H. An AI-driven multi-objective framework for optimizing window dimensions considering energy demand and thermal comfort. Sci Rep 16, 6365 (2026). https://doi.org/10.1038/s41598-026-39795-8

Trefwoorden: raamontwerp, gebouwenenergie, thermisch comfort, kunstmatige intelligentie, multi-objectieve optimalisatie