建築物の初期段階における日除け形状の評価：AI生成3Dジオメトリを用いたエネルギー性能へのアクセスワークフロー

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a reproducible workflow combining AI geometry generation and energy simulation for early-stage design evaluation.

🏢実務担当者:Architects can use this workflow to rapidly evaluate shading designs without extensive simulation expertise.

🏛政策担当者:Highlights the potential of AI to improve building energy performance assessment, which could inform building energy code development.

抽象。本研究は、自遮蔽型建築ファサード設計の初期段階評価のための、簡素化され制御可能なワークフローを提示する。初期設計の決定は長期的な建物エネルギー性能に強い影響を与えるが、ファサードの日よけ戦略は、エネルギー・モデリングの時間集約的な性質と建築家のシミュレーション専門知識の限界により、定量的評価ではなく定性的ガイドラインを通じて定義されることが多い。提案するワークフローは、建築的意図を保持しつつ、概念設計アイデアから建物運用性能に関する定量的フィードバックへの迅速な移行を可能にすることで、この限界に対処する。初期の抽象的なアイデアから導出されたテキストベースの設計入力を用いて、AIベースのツールを採用し、アリゾナ州ツーソンの高温乾燥気候コンテキストに合わせて、サグアロサボテンに着想を得た生体模倣ファサード日よけ形状を生成する。AI生成のファサード形状は、その後、Grasshopper-Honeybee-EnergyPlusワークフローを用いて、標準化されたDOE Medium Office参照建物に統合される。このワークフローは、複数の日よけ設計代替案間での一貫した比較を可能にし、初期段階設計最適化における迅速な意思決定を支援する。日よけ深さ1、2、3メートルの3つの自遮蔽シナリオを、日よけなしのベースラインに対して評価する。結果は、日よけ深さの拡張が年間冷房需要を削減するが、年間暖房需要を増加させる可能性があり、特定の日よけ深さを超えると建物全体の性能に逓減効果が明らかになることを示す。本研究で可能となった初期段階の定量的性能評価フィードバックは、モデリングの複雑さを大幅に増加させることなく、初期段階の設計意思決定に情報を提供した。大規模言語モデル（LLM）は、本研究においてモデル統合と結果解釈を支援するために使用されているが、今後の取り組みは、LLMを活用したモデリングの複雑さのさらなる簡素化に焦点を当てる。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Abstract. This study presents a simplified and controllable workflow for the early-stage evaluation of self-shading building façade designs. Early design decisions strongly influence long-term building energy performance; however, façade shading strategies are often defined through qualitative guidelines rather than quantitative assessment, largely due to the time-intensive nature of energy modeling and the limited simulation expertise among architects. The proposed workflow addresses this limitation by enabling a rapid transition from conceptual design ideas to quantitative feedback on building operational performance, while preserving architectural intent. Using text-based design inputs derived from initial abstract ideas, AI-based tools are employed to generate biomimetic façade shading geometries inspired by the saguaro cactus, tailored to a hot-arid climate context in Tucson, Arizona. The AI-generated façade geometries are then integrated into a standardized DOE Medium Office reference building using a Grasshopper-Honeybee-EnergyPlus workflow. This workflow enables consistent comparison across multiple shading design alternatives, supporting rapid decision-making in early-stage design optimization. Three self-shading scenarios with shading depths of 1, 2, and 3 meters are evaluated against an unshaded baseline. The results indicate that the extension of shading depth reduces annual cooling demand but may increase annual heating demand, revealing diminishing returns of overall building performance beyond certain shading depths. The early-stage quantitative performance evaluation feedback enabled in this study informed early-stage design decision-making without significantly increasing modeling complexity. While Large Language Models (LLMs) have been used to support model integration and result interpretation in this work, future efforts will focus on further simplifying modeling complexity empowered by LLMs.

• openalex https://doi.org/10.1051/e3sconf/202671602042/pdffirst seen 2026-07-05 04:48:16