Wielokryterialne ramy optymalizacji wymiarów okien napędzane przez AI z uwzględnieniem zapotrzebowania energetycznego i komfortu termicznego

Dlaczego wielkość okna ma większe znaczenie, niż się wydaje

Kiedy wyobrażamy sobie energooszczędne budynki, często myślimy o panelach słonecznych lub grubym ociepleniu — tymczasem zwykłe okna cicho decydują o tym, ile energii zużyje budynek i jak komfortowo się w nim czujemy. Badanie to dotyczy pozornie prostego pytania o duże znaczenie praktyczne: jak szerokie i wysokie powinno być okno w biurze, aby osoby wewnątrz czuły się komfortowo, a koszty ogrzewania i chłodzenia pozostały w ryzach? Dzięki zastosowaniu sztucznej inteligencji do przeszukania tysięcy wariantów projektowych autorzy pokazują, jak „właściwe” okna mogą znaleźć rozsądny kompromis między komfortem a zużyciem energii w gorącym, suchym mieście takim jak Teheran.

Prosty budynek, by odpowiedzieć na trudne pytanie

Aby rozplątać wpływ rozmiaru okna, badacze zaczynają od celowo prostej, parterowej przestrzeni biurowej o kształcie pudełka. Ściany, dach, podłoga i orientacja budynku są stałe, a na głównej elewacji znajduje się tylko jedno okno. Jedynymi zmiennymi są szerokość i wysokość okna, które mieszczą się w realistycznym zakresie — od dość małych po bardzo duże. Dla prawie dziesięciu tysięcy kombinacji okien symulacje komputerowe szacują roczne zapotrzebowanie na chłodzenie i ogrzewanie oraz odsetek czasu, w którym temperatury wewnątrz mieszczą się w paśmie komfortu, które ludzie prawdopodobnie uznają za akceptowalne bez klimatyzacji. Tak uproszczona konfiguracja pozwala zespołowi skupić się wyłącznie na tym, jak sam rozmiar okna kształtuje zapotrzebowanie energetyczne i komfort.

Pozwalanie sztucznej „mózgowni” uczyć się wzorców

Uruchamianie tysięcy szczegółowych symulacji zajmuje dużo czasu, a eksploracja jeszcze większej liczby wariantów szybko staje się niepraktyczna. Aby przyspieszyć proces, badacze trenują sztuczną sieć neuronową — rodzaj AI luźno inspirowany sposobem, w jaki mózgi przetwarzają informacje — by uczyć się na wynikach symulacji. Po przeszkoleniu ten „zastępczy” model potrafi natychmiast przewidzieć zapotrzebowanie na chłodzenie i ogrzewanie oraz poziom komfortu dla dowolnego nowego rozmiaru okna w badanym zakresie. Testy pokazują, że jego prognozy bardzo wiernie odtwarzają wyniki oryginalnych symulacji, wychwytując ponad 99% zmienności we wszystkich trzech miarach. Innymi słowy, AI staje się szybkim, godnym zaufania substytutem wolniejszych symulacji opartych na prawach fizyki.

Poszukiwanie najlepszych kompromisów, a nie jednej idealnej odpowiedzi

Dysponując szybkim cyfrowym odpowiednikiem, zespół sięga po metody poszukiwania ewolucyjnego — algorytmy inspirowane doborem naturalnym — aby znaleźć rozmiary okien równoważące konkurujące cele. Cele te to zmniejszenie rocznego zapotrzebowania na chłodzenie, zmniejszenie rocznego zapotrzebowania na ogrzewanie oraz zwiększenie odsetka czasu, kiedy temperatury wewnętrzne są komfortowe bez mechanicznego chłodzenia. Ponieważ większe okna pomagają zimą (więcej słońca i ciepła), ale szkodzą latem (większe przegrzewanie), nie ma jednego „najlepszego” okna. Zamiast tego algorytmy tworzą rodzinę równie dobrych kompromisów, zwaną frontem Pareto, na którym żadnej opcji nie da się poprawić w jednym celu bez pogorszenia innego. Dla tego konkretnego biura w Teheranie jako optymalne wyłaniają się okna o rozmiarach pośrednich: znacznie obniżają zapotrzebowanie na ogrzewanie w porównaniu z małymi oknami, utrzymują chłodzenie na bardziej rozsądnym poziomie niż największe okna i zapewniają poziom komfortu powyżej około 80% godzin użytkowania.

Co wyniki mówią o wielkości okna

Wzorce odkryte przez wyszukiwanie napędzane AI są intuicyjne, ale dają się również ilościowo opisać. Wraz ze wzrostem powierzchni okna roczne zapotrzebowanie na chłodzenie rośnie niemal monotonnie, ponieważ oszklenie skierowane na południe wpuszcza więcej ciepła słonecznego w gorącym okresie. Jednocześnie zapotrzebowanie na ogrzewanie spada, ponieważ zimowe światło słoneczne dostarcza użytecznego ciepła, które więcej niż rekompensuje straty ciepła przez szkło. Wskaźnik komfortu użyty w badaniu — jak często temperatury wewnętrzne mieszczą się w adaptacyjnym paśmie komfortu dla przestrzeni wentylowanych naturalnie — również rośnie wraz z powierzchnią okna, głównie dlatego, że większe okna łapią więcej przyjemnego ciepła w umiarkowane dni. Jednak ten indeks nie karze w pełni krótkotrwałego lub ekstremalnego przegrzewania, więc bardzo duże okna mogą wciąż być odczuwane jako niekomfortowo gorące w pewnych momentach, nawet jeśli dobrze wypadają na wybranym wskaźniku komfortu. Ta niuansowa obserwacja podkreśla, że wyniki dotyczące komfortu powinny służyć raczej jako wskazówka porównawcza niż absolutna gwarancja.

Jak to pomaga projektantom i właścicielom budynków

Dla architektów, inżynierów, a nawet właścicieli budynków praktyczny przekaz jest jasny: dobór rozmiaru okien nie jest kwestią „im większe tym lepsze” ani „małe zawsze bezpieczniejsze”. Badanie pokazuje, że istnieje pasmo wymiarów pośrednich, które zapewnia znaczące korzyści w zakresie komfortu przy jednoczesnym kontrolowaniu zapotrzebowania na energię, szczególnie w klimatach z długim okresem grzewczym i krótszymi, intensywnymi okresami chłodzenia, jak w Teheranie. Łącząc szczegółowe symulacje, szybko uczący się model AI i poszukiwanie ewolucyjne, ramy te dają projektantom klarowną listę wysokowydajnych opcji zamiast jednej sztywnej recepty. Dzięki temu mogą oni zestawić komfort, rachunki za energię i preferencje estetyczne — opierając się na danych, a nie domysłach — przy podejmowaniu decyzji o rozmiarach okien w przyszłych budynkach.

Cytowanie: 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

Słowa kluczowe: projekt okna, energetyka budynków, komfort termiczny, sztuczna inteligencja, optymalizacja wielokryterialna