AI-verbeterde techno-economische en milieuoptimalisatie voor bijna-nul-energie gebouwrenovatie: een casestudy van een universiteitscampus

Waarom slimmere gebouwen ertoe doen

Wereldwijd verbruiken gebouwen geruisloos enorme hoeveelheden energie, grotendeels afkomstig van fossiele brandstoffen die klimaatverandering aanstuwen. In hete regio’s zoals de Verenigde Arabische Emiraten is het koelen van klaslokalen en kantoren bijzonder energie-intensief. Deze studie onderzoekt hoe één universitair gebouw in Sharjah kan worden omgevormd tot een veel zuiniger energiegebruiker met een mix van beter ontwerp, zonne-energie en kunstmatige intelligentie. De resultaten bieden een praktische kijk op hoe bestaande gebouwen—niet alleen glanzende nieuwbouw—naar bijna-nul-energiebedrijf kunnen bewegen, terwijl ze geld besparen en de koolstofuitstoot verminderen.

Het probleem van de huidige campussen

De onderzoekers schetsen eerst het kader: gebouwen vormen ongeveer 40% van het wereldwijde energieverbruik en een groot deel van de CO2-uitstoot. In de VAE wordt de vraag sterk gedreven door airconditioning, en veel oudere gebouwen zijn nooit met efficiëntie in gedachten ontworpen. Het voorbeeld is het M9-gebouw van de University of Sharjah, een driedelig ingenieursgebouw uit eind jaren negentig. Een energie-audit en een gedetailleerd computermodel tonen aan dat het ongeveer 1,43 miljoen kilowattuur elektriciteit per jaar verbruikt, met een energiegebruik per vierkante meter hoger dan typische kantoornormen. Bijna 40% van die stroom gaat naar verouderde koelsystemen die vrijwel continu draaien, gestuurd door handmatige thermostaten in plaats van automatische schema’s.

Eenvoudige verbeteringen vóór hightech-upgrades

Voordat nieuwe energiebronnen worden toegevoegd, onderzoekt het team hoe de energiebehoefte van het gebouw kan worden verkleind. Met een simulatie-instrument testen ze een aantal relatief eenvoudige aanpassingen. Deze omvatten het opnieuw schilderen van de buitenmuren van beige naar wit om meer zonlicht te weerkaatsen, het toevoegen van horizontale zonwering boven de ramen om direct zonlicht te blokkeren, het installeren van slimme schema’s zodat het koelsysteem alleen draait wanneer het gebouw daadwerkelijk in gebruik is, en het vervangen van energie-intensieve desktopcomputers door efficiëntere laptops. Samen verminderen deze maatregelen het jaarlijkse energieverbruik van het gebouw met ongeveer een derde en verlagen ze de piekbehoefte voor koeling met meer dan 11%. Ze verlagen ook de CO2-uitstoot met ongeveer 296 ton per jaar, of meer dan 7.300 ton over 25 jaar—zonder de gebruikswijze van het gebouw te veranderen.

De zon aanboren

Met de vraag teruggebracht, is de volgende stap om te bepalen hoeveel van de resterende energie door de zon kan worden geleverd. De intense zon van de VAE maakt dakgebonden zonnepanelen bijzonder aantrekkelijk. De beschikbare ruimte op het M9-gebouw is beperkt, maar de onderzoekers ontwerpen met gespecialiseerde software een netgekoppeld zonnepaneelsysteem van ongeveer 215 kilowatt. Op papier kan dit systeem jaarlijks grofweg 366 megawattuur elektriciteit genereren, goed voor 38,4% van de gereduceerde jaarlijkse vraag van het gebouw. Hoewel dit niet voldoet aan de formele “bijna-nul-energie” drempel—hier gedefinieerd als ten minste de helft van de energie afkomstig van hernieuwbare bronnen—vermindert het de afhankelijkheid van het net aanzienlijk. Financiële modellen tonen aan dat het zonnestroomsysteem zichzelf in ongeveer zes jaar terugverdient, een genivelleerde elektriciteitsprijs biedt die lager is dan de lokale netprijs, en een sterke investeringrendement oplevert over een levensduur van 25 jaar, terwijl het bijna 5.000 ton koolstofemissies voorkomt, zelfs rekening houdend met de productiefase van de panelen.

Kunstmatige intelligentie laat opties ordenen

Aangezien er veel mogelijke combinaties van efficiëntiemaatregelen en zonnecapaciteiten zijn, bouwt het team een kunstmatige intelligentietool om de besluitvorming te versnellen. Ze genereren duizenden hypothetische renovatiescenario’s, elk met verschillende mixes van gebouwverbeteringen en zonnecapaciteit, en berekenen langetermijnkosten, terugverdientijden en emissiereducties. Een beslisboommodel leert van deze data om belangrijke indicatoren zoals netto contante waarde en CO2-besparing voor nieuwe scenario’s vrijwel onmiddellijk te voorspellen. Deze op AI gebaseerde “adviseur” kan renovatiepakketten rangschikken op basis van hoe goed ze drie doelen tegelijk in balans brengen: lagere energierekeningen, hogere financiële opbrengsten en diepere emissiereducties. In plaats van voor elk idee een nieuwe, tijdrovende simulatie te draaien, kunnen planners snel zien welke opties waarschijnlijk de beste waarde opleveren.

Wat dit betekent voor toekomstige gebouwen

Aan het einde van de analyse is het M9-gebouw nog geen volledig bijna-nul-energiegebouw, maar het komt er dichtbij: het energiegebruik is met een derde verminderd en on-site zonne-energie levert bijna twee vijfde van de resterende vraag, met een solide financiële prestatie. De studie toont aan dat het combineren van bescheiden architectonische aanpassingen, slimmer beheer, efficiënte apparatuur en dakzonnepanelen grote voordelen kan opleveren zonder ingrijpende reconstructie. Even belangrijk, het laat zien hoe AI bergen technische data kan omzetten in heldere richtlijnen voor facilitair managers en beleidsmakers. Voor campussen en steden in warme klimaten wijst deze aanpak op een realistisch pad: in plaats van te wachten op futuristische gebouwen, kunnen we met de hulpmiddelen van vandaag de gebouwen die we al hebben omvormen tot schonere, goedkopere en veerkrachtigere plekken om te wonen en te werken.

Bronvermelding: Alobaid, M., Abo-Khalil, A.G. & Sayed, K. AI-enhanced techno-economic and environmental optimization for nearly zero-energy building retrofitting: a case study of university campus. Sci Rep 16, 14599 (2026). https://doi.org/10.1038/s41598-026-41747-1

Trefwoorden: bijna-nul-energie gebouwen, gebouwrenovaties, zonnefotovoltaïsche systemen, energie-efficiëntie, kunstmatige intelligentie in energie