Eindhoven (abki) – Unter der Leitung von Lisanne Havinga entwickelt ein Team der TU Eindhoven gemeinsam mit TNO und Smart Twin seit vier Jahren ein digitales Werkzeug, das Hausbesitzern in den Niederlanden helfen soll, fundierte Entscheidungen über die Sanierung ihrer Gebäude zu treffen. Die Anwendung namens Renovatieverkenner ist nun bereit für den Start.
Lisanne Havinga, Dozentin in der Building Performance-Gruppe der Fakultät Built Environment und zugleich in einer Managementberatungsfunktion bei Common Futures tätig, beschreibt den Anstoß für das Projekt als einen Lernprozess. Erst mit Beginn der Arbeit habe sie die komplexen Zusammenhänge zwischen Heizkörpertypen, Wärmepumpen, Dämmung und Lüftung in Wohnhäusern und deren Einfluss auf den Energieverbrauch wirklich verstanden.
„Es ist ein Hilfsmittel für Hausbesitzer, um nachhaltige Renovierungsoptionen für ihre Wohnungen besser und leichter zu verstehen“, sagt Havinga. Die Anwendung solle helfen, Geld zu sparen und langfristig zu einem komfortableren und nachhaltigeren Lebensstil beitragen.
Seit 2022 arbeitet das Team innerhalb und außerhalb der TU/e an der Entwicklung. Nach Angaben der Beteiligten ist das Projekt auch deshalb aktuell, weil individuelle Energiebedarfe verletzlich sind und geopolitische Spannungen die Kosten globaler Energiekrisen verschärfen.
Die Herausforderung ist groß: Zwar können Hausbesitzer ihre langfristigen Kosten durch Sanierungen senken, doch die Vielzahl möglicher Maßnahmen macht den Entscheidungsprozess oft unübersichtlich. Genau hier setzt die Renovatieverkenner an. Das Werkzeug soll dabei unterstützen, diese Entscheidungen systematisch zu treffen.
Auch Roel Loonen, außerordentlicher Professor in der Building Performance-Gruppe der Fakultät Built Environment, war an der Entwicklung beteiligt. Während Havingas Mutterschaftsurlaub übernahm er ihre Rolle im Projekt. Er verweist darauf, dass viele heutige Anwendungen zur Analyse von Renovierungsoptionen zeitaufwendig sind und meist nur einzelne Maßnahmen betrachten. In der Realität wirkten jedoch zahlreiche Optionen zusammen und beeinflussten sich gegenseitig. Der Renovatieverkenner ändere diesen Ansatz grundlegend.
Was die Anwendung von anderen Tools unterscheidet, ist ihr dynamischer Charakter. Während viele Programme mit statischen Monats- oder Jahresdurchschnitten arbeiten, berücksichtigt der Renovatieverkenner auch veränderliche Faktoren wie Luftqualität, Netzbelastung und Nutzerverhalten. Zudem geht das System über die übliche Abfrage von Postleitzahl und Hausnummer hinaus. Es nutzt nicht nur Baujahr und Haustyp als Grundlage, sondern erlaubt es den Nutzerinnen und Nutzern, das konkrete Heizsystem und die Eigenschaften ihres Hauses einzugeben.
Auch das Verhalten im Haushalt fließt in die Berechnung ein. Ob jemand selten zu Hause ist und bewusst mit Energie umgeht oder den ganzen Tag anwesend ist und die Heizung dauerhaft laufen lässt, macht für die Bewertung einen Unterschied. Ebenso können Nutzer angeben, welche Räume sie beheizen oder ob sie nachts die Fenster im Schlafzimmer öffnen.
Anfang Juni wurde die Arbeit des Teams auf dem Kongress De Renovatieverkenner vorgestellt. Dort treffen sich Berater, Wohnungsbaugesellschaften, Bauunternehmen, politische Entscheidungsträger, Forschende und Fachleute aus dem Bereich der gebauten Umwelt. Der Kongress endet mit der offiziellen Lancierung der Open-Source-Version der Software. Vorher gibt es eine Live-Demonstration und eine Einführung in die Open-Source-Entwicklung, damit auch andere Entwickler mit dem Code arbeiten können.
Für Havinga ist die Offenlegung der Skripte ein wesentlicher Schritt. Die Entwicklung solle nicht kommerzialisiert werden, sondern anderen Entwicklern offenstehen, damit sie darauf aufbauend eigene Anwendungen erstellen können. Loonen sieht in dem Projekt großes Potenzial für nachhaltiges Bauen und bezeichnet die Veranstaltung als wichtigen Moment, um das Werkzeug den zentralen Interessengruppen vorzustellen.
Technisch beruht die Anwendung auf einer Kombination aus echter Physik und Machine Learning. Grundlage ist eine fortschrittliche Energiebilanzsimulation, die bauphysikalische Prinzipien wie Wärmeübertragung einbezieht. Auf dieser Basis werden zahlreiche Szenarien bewertet, mit denen das Machine-Learning-Modell trainiert wird. Anschließend kann das System auf einem normalen Laptop genutzt werden.
In einer Demo durchsuchte das Tool mehr als eine Billion Renovierungspakete für ein Reihenhaus. Bemerkenswert ist dabei, dass bereits rund 350.000 Szenarien ausreichen, um das Modell zu trainieren. Mehr Daten verbessern die Genauigkeit demnach nicht wesentlich. Havinga räumt ein, dass sie die vergleichsweise geringe Zahl zunächst skeptisch betrachtet habe. Alexis Cvetkov-Iliev, Postdoktorand und Machine-Learning-Experte aus der Abteilung Mathematik und Informatik, überzeugte sie schließlich von der Aussagekraft des Ansatzes.
Für Loonen adressiert das Werkzeug auch eine Frage der Zugänglichkeit. Machine-Learning-Modelle dieser Art seien normalerweise nur Expertinnen und Experten vorbehalten. Das Ziel des Projekts sei es jedoch, die Anwendung für alle verfügbar zu machen, ohne dass technisches Wissen über Machine-Learning-Modelle erforderlich sei.
Die Arbeit soll nach dem Kongress weitergehen. Die niederländische Regierung kündigte im April 2026 an, die Weiterentwicklung zu fördern. Geplant sind eine größere Ausrollung, die Entwicklung eines Quartiersmodells für Kommunen sowie Funktionen zur Analyse des Kühlbedarfs, von Energiespeichertechnologien und der intelligenten Steuerung von Systemen.
Mit zusätzlicher staatlicher Unterstützung will das Team am 1. Juli die nächsten Projektschritte beginnen. Ziel ist es, bis Ende dieses Jahres oder Anfang des nächsten Jahres ein Modell zu haben, das auf einer Regierungswebsite eingesetzt werden kann. Begleitend sind TV- und Medienkampagnen vorgesehen, um Menschen in den Niederlanden zur Nutzung der Plattform zu motivieren.
Quelle: Renovatieverkenner · KI-gestützte Textaufbereitung · Redaktion: Architekturblatt