{"id":2037,"date":"2021-10-15T13:41:46","date_gmt":"2021-10-15T10:41:46","guid":{"rendered":"https:\/\/blog.hamk.fi\/hamk-smart\/?p=2037"},"modified":"2023-12-05T10:16:49","modified_gmt":"2023-12-05T08:16:49","slug":"alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa","status":"publish","type":"post","link":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/","title":{"rendered":"\u00c4lyKaupunki-hanke\u00a0edist\u00e4\u00e4\u00a0teko\u00e4lyn tuotteistamista\u00a0rakennuksissa\u00a0"},"content":{"rendered":"

Tietojenk\u00e4sittelyn ja teko\u00e4lyn kehitys on mahdollistanut \u00e4lykk\u00e4iden ratkaisujen toteuttamisen entist\u00e4 useammassa sovelluskohteessa viime vuosien aikana. Teko\u00e4ly\u00e4 k\u00e4ytet\u00e4\u00e4n laajasti muun muassa roskapostisuodattimissa, sis\u00e4lt\u00f6suosituksissa ja teollisuusroboteissa. H\u00e4meen ammattikorkeakoulun tutkijat ovat tutkineet viimeisimm\u00e4n teko\u00e4lytekniikan soveltamista my\u00f6s julkisten rakennusten LVI-j\u00e4rjestelmiin. T\u00e4m\u00e4 kirjoitus on tehty osana Euroopan aluekehitysrahaston (EAKR) rahoittamaa \u00c4lyKaupunki-hanketta<\/a>.<\/p>\n

Ymp\u00e4rist\u00f6ministeri\u00f6 on asettanut tavoitteekseen laskea rakennusten energiankulutusta 55 % vuoden 2005 tasoon verrattuna pitk\u00e4n aikav\u00e4lin strategiassaan [1]. YM:n strategiassa arvioidaan, ett\u00e4 strategiassa linjattujen toimien avulla l\u00e4mmitysenergian kulutus laskee 92 % vuoteen 2050 menness\u00e4. Kunnianhimoinen s\u00e4\u00e4st\u00f6tavoite lienee perusteltu Suomen ilmastotavoitteiden saavuttamisessa, sill\u00e4 noin 25 % energiasta kulutetaan ja 30 % hiilidioksidip\u00e4\u00e4st\u00f6ist\u00e4 tuotetaan Suomessa rakennuksissa [2]. Senaatti-kiinteist\u00f6t totesivatkin vuoden 2020 selvityksess\u00e4\u00e4n uudisrakennusten suurimmaksi p\u00e4\u00e4st\u00f6l\u00e4hteeksi juuri l\u00e4mmityksen [3].<\/p>\n

Vanhassa rakennuskannassa l\u00e4mmitysenergian minimoinnin merkitys korostuu entisest\u00e4\u00e4n kahdesta syyst\u00e4; uusi rakennuskanta on vanhaa energiatehokkaampi, ja jo pystytettyjen rakennusten rakentamisen ja materiaalien tuottamat p\u00e4\u00e4st\u00f6t ovat toteutuneita p\u00e4\u00e4st\u00f6j\u00e4 s\u00e4\u00e4st\u00f6tavoitteiden ulottumattomissa. Yksi YM:n strategiassakin esiin nostettu toimi vanhojen rakennusten energiankulutuksen pienent\u00e4miseksi on \u00e4lyk\u00e4s rakennusautomaatio, jota H\u00e4meen ammattikorkeakoulun Smart-tutkimusyksik\u00f6n \u00c4lyKaupunki-hankkeessa pyrit\u00e4\u00e4n kehitt\u00e4m\u00e4\u00e4n.<\/p>\n

LVI-j\u00e4rjestelmien mallintaminen tutkimuksissa<\/h2>\n

\u00c4lykk\u00e4it\u00e4 rakennusautomaatioj\u00e4rjestelmi\u00e4 on hy\u00f6dynnetty erin\u00e4isi\u00e4 tarkoituksia varten tutkimuskent\u00e4ll\u00e4 ennenkin. Muuan muassa Amasyali & El-Gohary ja Afram et al. ovat meta-artikkeleissaan koonneet yhteen teko\u00e4lyn k\u00e4ytt\u00f6kohteita LVI-j\u00e4rjestelmiss\u00e4 [4][5]. N\u00e4iden joukossa on mallipohjainen s\u00e4\u00e4t\u00f6, poikkeavien energiankulutuksien havainnointi suuresta joukosta rakennuksia, sek\u00e4 energiankulutuksen ja sis\u00e4l\u00e4mp\u00f6tilan huomioiva monitavoiteoptimointi. \u00c4lyKaupunki-hankkeen kannalta oleellista on edist\u00e4\u00e4 v\u00e4h\u00e4hiilisyytt\u00e4 energiankulutuksen minimoinnin kautta.<\/p>\n

S\u00e4\u00e4st\u00f6j\u00e4 energiankulutuksessa on saavutettu esimerkiksi l\u00f6yt\u00e4m\u00e4ll\u00e4 LVI-j\u00e4rjestelm\u00e4lle optimaaliset ohjaukset monitavoiteoptimoinnilla [6]. Soveltamalla parvi\u00e4lyoptimointia mallinnettuihin energiankulutuksiin, sis\u00e4l\u00e4mp\u00f6tiloihin, suhteelliseen ilmankosteuteen ja ilman hiilidioksidipitoisuuteen tutkijat l\u00f6ysiv\u00e4t testirakennuksen LVI-j\u00e4rjestelm\u00e4lle ohjaukset, joilla saavutettiin 12,4 % s\u00e4\u00e4st\u00f6t tinkim\u00e4tt\u00e4 sis\u00e4ilmaston laadusta. Toisessa s\u00e4\u00e4st\u00f6potentiaalia havainnollistavassa esimerkkitutkimuksessa tutkijat sovelsivat neuroverkkomalleja yliopistokampuksen rakennusten l\u00e4mmityksen yhteenlaskettuun energiankulutukseen tavoitteenaan l\u00f6yt\u00e4\u00e4 odotettuja suurempia arvoja [7]. Kolmas tapa soveltaa teko\u00e4ly\u00e4 s\u00e4\u00e4st\u00f6jen l\u00f6yt\u00e4miseen on toteuttaa energiaj\u00e4rjestelm\u00e4ss\u00e4 kysynt\u00e4joustoa, jossa l\u00e4mmityskustannukset minimoidaan \u00e4lykk\u00e4\u00e4sti muuttamalla j\u00e4rjestelm\u00e4n ohjauksia energiatarjonnan mukaan. N\u00e4in voidaan tehd\u00e4 esimerkiksi useamman energial\u00e4hteen j\u00e4rjestelmiss\u00e4, joissa saatavilla on kaukol\u00e4mm\u00f6n lis\u00e4ksi uusiutuvaa energiaa. T\u00e4h\u00e4n tarpeeseen on kehitetty koneoppimismalleja yliopistorakennuksen kysynt\u00e4joustoon [8].<\/p>\n

Vaikka \u00e4lykk\u00e4it\u00e4 LVI-j\u00e4rjestelmi\u00e4 on tutkittu melko laajasti, on tutkimusten metodien viemisess\u00e4 k\u00e4yt\u00e4nt\u00f6\u00f6n usein ongelmia. Ensiksi, kuten mallipohjaista s\u00e4\u00e4t\u00f6\u00e4 soveltavassa tutkimuksessa n\u00e4hd\u00e4\u00e4n, testirakennukset ovat tyypillisesti laboratoriomaisia ymp\u00e4rist\u00f6j\u00e4, joissa on mahdollista simuloida monipuolisesti erilaisia ennalta m\u00e4\u00e4r\u00e4ttyj\u00e4 kuormitustilanteita [6]. T\u00e4ll\u00f6in voidaan saada tarkasti instrumentoitua, vaihtelevaa ja aukotonta dataa LVI-j\u00e4rjestelm\u00e4n toiminnasta. Todellisissa sovelluskohteissa algoritmia ei useinkaan voida n\u00e4in monipuolisella sy\u00f6tedatalla kouluttaa, sill\u00e4 data on ker\u00e4tt\u00e4v\u00e4 rakennuksen normaalin k\u00e4yt\u00f6n aikana.<\/p>\n

Toinen merkitt\u00e4v\u00e4 ongelma useiden tutkimusten ratkaisuissa on kontekstikohtaisuus. T\u00e4ll\u00f6in malleissa k\u00e4ytet\u00e4\u00e4n globaalisti sovellettavien aika- ja s\u00e4\u00e4muuttujien lis\u00e4ksi LVI-j\u00e4rjestelmien hyvin spesifej\u00e4 mittauksia, joita on varsin ty\u00f6l\u00e4st\u00e4 hakea muiden rakennusten automaatioj\u00e4rjestelmist\u00e4. Kun vaaditaan mallintamiseen ja\/tai LVI-j\u00e4rjestelmiin perehtyneen asiantuntijan aikaa, menetet\u00e4\u00e4n ohjelmiston skaalattavuutta merkitt\u00e4v\u00e4sti. Skaalautuvuus on kaupallisen hy\u00f6dynnett\u00e4vyyden kannalta varsin t\u00e4rke\u00e4\u00e4, sill\u00e4 saman ohjelmiston k\u00e4ytt\u00e4minen useampaan kohteeseen tuottaa asiakkaille merkitt\u00e4v\u00e4sti arvoa.<\/p>\n

\u00c4lykk\u00e4iden LVI-j\u00e4rjestelmien edist\u00e4minen<\/h2>\n

Akateemisissa ratkaisuissa ongelmiksi hy\u00f6dynnett\u00e4vyydelle voivat muodostua siis ep\u00e4realistiset toimintaymp\u00e4rist\u00f6t ja mallin suuri riippuvuus LVI-j\u00e4rjestelm\u00e4n rakenteesta. N\u00e4m\u00e4 ongelmat ratkaisisi ekosysteemi, jossa pilviteknologian avulla saataisiin dataa helposti saataville monipuolisesti erilaisista kohteista. Loppuk\u00e4ytt\u00e4j\u00e4n ei t\u00e4ss\u00e4 ekosysteemiss\u00e4 tarvitsisi tiet\u00e4\u00e4 teko\u00e4lyst\u00e4, ohjelmoinnista tai LVI-j\u00e4rjestelmist\u00e4 mit\u00e4\u00e4n – ainoastaan asettaa k\u00e4ytt\u00f6liittym\u00e4n kautta tavoite LVI-j\u00e4rjestelm\u00e4\u00e4 hallinnoivalle teko\u00e4lylle.<\/p>\n

T\u00e4m\u00e4n tavoitteen saavuttaminen vaatii yhteisty\u00f6t\u00e4 laajalta rintamalta toimijoita. Prosessia innovaatiosta tuotantoon voidaan ajatella kolmivaiheisena. Ensimm\u00e4isess\u00e4 vaiheessa tehd\u00e4\u00e4n varsinainen innovaatio ja tarvittava tutkimus. Innovaatiota seuraa tuotekehitys, jossa yritykset kehitt\u00e4v\u00e4t kaupallisia tuotteita markkinoille hy\u00f6dynt\u00e4en tutkimusvaiheen tuloksia. Varsinainen loppuk\u00e4ytt\u00e4j\u00e4 hy\u00f6dynt\u00e4\u00e4 kehitettyj\u00e4 tuotteita toiminnassaan oman tarpeensa mukaan tuotantovaiheessa. Kuvassa 1 esitet\u00e4\u00e4n kolmivaiheinen prosessi visuaalisesti.<\/p>\n

\"\u00c4lykk\u00e4iden
Kuva 1: \u00c4lykk\u00e4iden LVI-j\u00e4rjestelmien k\u00e4ytt\u00f6\u00f6notto prosessikaaviona.<\/figcaption><\/figure>\n

Prosessin ensimm\u00e4iseen vaiheeseen keskittyv\u00e4ss\u00e4 \u00c4lyKaupunki-hankkeessa tutkitaan kolmea tamperelaista julkiskohdetta, joissa on jo kartoitettu mahdollisuuksia ennustaa ja ohjata l\u00e4mmitysj\u00e4rjestelmi\u00e4 tuoreella pilvipalvelu- ja mallinnusteknologialla. Pilvipalveluiden avulla kohteista saatua dataa on hy\u00f6dynnetty kaukol\u00e4mm\u00f6n energiankulutuksen ja sis\u00e4l\u00e4mp\u00f6tilan ennustamisessa, ja pienimuotoista ohjausvastetestausta on tehty. Seuraavaksi k\u00e4yd\u00e4\u00e4n tarkemmin l\u00e4pi pilottikohteena toimivan suuren julkisrakennuksen mallinnusprosessia, joka on keskittynyt varsinkin kaukol\u00e4mm\u00f6n energiankulutuksen ennustamiseen koneoppimisella. Kirjoitus on suunnattu lukijoille, joille teko\u00e4ly ja koneoppiminen on ennest\u00e4\u00e4n ovat ennest\u00e4\u00e4n tuttuja. Yleistajuisempi kirjoitus on aiemmin julkaistu blogikirjoituksessa<\/a>, jossa esiteltiin toimintaymp\u00e4rist\u00f6\u00e4 ja vedettiin yhteen pienimuotoisten kokeilujen tuloksia.<\/p>\n

Data<\/h2>\n

Jokainen koneoppimisprojekti alkaa, el\u00e4\u00e4 ja menestyy datasta. Hy\u00f6dynt\u00e4en ohjelmointirajapintoja (engl. API) rakennuksen automaatioj\u00e4rjestelm\u00e4n LVI-data yhdistettiin muihin datal\u00e4hteisiin: Ilmatieteen laitoksen l\u00e4himpiin suhteellisen kosteuden mittauksiin, Euroopan unionin Copernicus Atmosphere Monitoring palvelun Auringon s\u00e4teilytehon mittauksiin ja paikalle asennettujen IoT-sensorien hiilidioksidipitoisuusmittauksiin. Yhteens\u00e4 koneoppimismallille kertyi viisitoista sy\u00f6tett\u00e4, joista seitsem\u00e4n kuvaa LVI-j\u00e4rjestelm\u00e4n tilaa, kolme s\u00e4\u00e4tilaa, nelj\u00e4 ajankohtaa ja yksi sis\u00e4ilmaolosuhteita, ja kaksi mallin ulostulona k\u00e4ytett\u00e4v\u00e4\u00e4 kohdemuuttujaa, kaukol\u00e4mm\u00f6n energiankulutus ja sis\u00e4ilman keskim\u00e4\u00e4r\u00e4inen sis\u00e4l\u00e4mp\u00f6tila. Noudon yhteydess\u00e4 datan aikaresoluutiota pienennet\u00e4\u00e4n tunnin aikaresoluutioon keskiarvoistamalla tai summaamalla muuttujan luonteesta riippuen. Muuttujat on esitelty l\u00e4hteineen ja mittayksik\u00f6ineen taulukossa 1, joista LVI-j\u00e4rjestelm\u00e4n s\u00e4\u00e4t\u00f6in\u00e4 toimivat lihavoidut muuttujat. Muut muuttujat ovat olosuhteita kuvaavia muuttujia, joihin ei varsinaisesti voida vaikuttaa.<\/p>\n

\"Taulukko
Taulukko 1: Sy\u00f6te- ja kohdemuuttujat esitelty l\u00e4hteiden ja mittayksik\u00f6iden kera. LVI-j\u00e4rjestelm\u00e4n ohjausmuuttujat on lihavoitu.<\/figcaption><\/figure>\n

Raaka sy\u00f6tedata ei kuitenkaan ole valmis mallinnusta varten datal\u00e4hteiden yhdist\u00e4misen j\u00e4lkeen, sill\u00e4 useat koneoppimisalgoritmit vaativat tietty\u00e4 sy\u00f6terakennetta ja\/tai k\u00e4rsiv\u00e4t heterogeenisest\u00e4 sy\u00f6tedatasta. Kuten taulukosta 1 n\u00e4hd\u00e4\u00e4n, sy\u00f6tedata on muodostunut komponenteista, jotka kuvaavat systeemin olosuhteita vaihtelevilla mitta-asteikoilla. Koska hankkeessa k\u00e4ytetyiss\u00e4 koneoppimismalleissa vektorimuotoiset sy\u00f6tteet muutetaan osin lineaaristen kuvausten avulla ulostuloksi eli kohdemuuttujaksi, on vaihtelevat mitta-asteikot muunnettava skaalaamalla kaikki muuttujat asteikolle [0, 1]. T\u00e4t\u00e4 kutsutaan minimi-maksimi-skaalaukseksi. Syklisiin aikamuuttujiin, kuten vuorokauden tunteihin ja viikonp\u00e4iviin, sovelletaan skaalauksen lis\u00e4ksi trigonometrisia funktioita muuttujien syklisen luonteen kuvaamiseksi algoritmille.<\/p>\n

Hankkeessa on p\u00e4\u00e4dytty k\u00e4ytt\u00e4m\u00e4\u00e4n mallina kaukol\u00e4mm\u00f6n energiankulutuksen ja rakennuksen sis\u00e4l\u00e4mp\u00f6tilan ennustamisessa rekursiivista neuroverkkoa, joka hy\u00f6dynt\u00e4\u00e4 yhten\u00e4isi\u00e4 datasekvenssej\u00e4 ennusteiden muodostamiseen. Toisin sanoen, rekursiivisella neuroverkolla muodostetaan yksi ennuste tapahtumasta edelt\u00e4v\u00e4n tapahtumasekvenssin perusteella, mink\u00e4 vuoksi kyseinen malli kykenee ottamaan varsin hyvin huomioon olosuhteet, joissa j\u00e4rjestelm\u00e4 toimii. Kuva 2 esitt\u00e4\u00e4 mallin toimintaperiaatteen verrattuna perinteiseen monikerroksiseen perseptroniverkkoon yhden ennusteen muodostamiselle. Mallin vaatima sy\u00f6temuoto aiheuttaa lis\u00e4tarpeen esik\u00e4sittelylle, sill\u00e4 data pit\u00e4\u00e4 my\u00f6s sekvensoida. Testauksen perusteella nelj\u00e4n tunnin sekvenssipituus vaikutti toimivalta ennusteen laskemiseksi.<\/p>\n

\"Vertailu
Kuva 2: Vertailu perinteisen monikerroksisen perseptroniverkon ja rekursiivisen neuroverkon v\u00e4lill\u00e4.<\/figcaption><\/figure>\n

Mallin kouluttaminen ja testaaminen<\/h2>\n

Datan esik\u00e4sittelyn j\u00e4lkeen mallinnusprosessissa voidaan siirty\u00e4 mallin kouluttamiseen ja varmentamiseen. Erotuksena perinteiseen staattiseen neuroverkkoon rekursiivisessa neuroverkossa jokaiselle sy\u00f6tesekvenssin aika-askeleelle on oma solu. N\u00e4m\u00e4 solut toimivat hyvin yksinkertaisella periaatteella: ajetaan aktivaatiofunktiosta l\u00e4pi aiemman solun ulostulo kyseisen solun sy\u00f6tteeseen yhdistettyn\u00e4. Ongelmia n\u00e4m\u00e4 yksinkertaiset solut kuitenkin aiheuttavat koulutukseen r\u00e4j\u00e4ht\u00e4vien ja katoavien gradienttien muodossa, mink\u00e4 vuoksi hankkeessa on p\u00e4\u00e4dytty k\u00e4ytt\u00e4m\u00e4\u00e4n GRU-muunnelmaa rekursiivisten neuroverkkojen soluista [9]. GRU-solut kykenev\u00e4t s\u00e4\u00e4telem\u00e4\u00e4n signaalin kulkua monisyisemmin porttien avulla, mik\u00e4 torjuu ongelmallisia ilmi\u00f6it\u00e4 koulutusvaiheessa [10].<\/p>\n

Rekursiivinen neuroverkko koulutetaan ennustamaan kohdemuuttuja hy\u00f6dynt\u00e4en stokastista gradienttiliukua, iteratiivista optimointialgoritmia, joka ohjaa verkon muunnoksia suorittavat kertoimet kohti ennustekyvyn maksimoivia arvoja. Tarkemmin m\u00e4\u00e4riteltyn\u00e4 t\u00e4ss\u00e4 hankkeessa on k\u00e4ytetty Adam-variaatiota stokastisesta gradienttiliu\u2019usta, mik\u00e4 on yksi monista mukautuvista versioista alkuper\u00e4isest\u00e4 liukualgoritmista. Liukualgoritmin kouluttaessa mallia suorituskyky voidaan varmentaa varmennusdatalla, jota ei k\u00e4ytet\u00e4 varsinaiseen kouluttamiseen.<\/p>\n

Kun varsin oppimiskykyisi\u00e4 neuroverkkoja koulutetaan askel askeleelta k\u00e4yden l\u00e4pi koulutukseen varatun datan kymmeni\u00e4, jopa satoja kertoja, neuroverkko oppii varsin tarkasti ennustamaan kohdemuuttujien arvoja sille tarjottujen olosuhteiden perusteella. Riitt\u00e4v\u00e4n monimutkaiset mallit kykenev\u00e4tkin oppimaan ulkoa niille sy\u00f6tetyn datasetin. T\u00e4t\u00e4 ilmi\u00f6t\u00e4 kutsutaan ylisovittamiseksi, joka ilmenee algoritmin heikentyneen\u00e4 kykyn\u00e4 tehd\u00e4 ennusteita ennest\u00e4\u00e4n tuntemattoman sy\u00f6tteen pohjalta. Ylisovituksen torjumiseksi voidaan k\u00e4ytt\u00e4\u00e4 erilaisia s\u00e4\u00e4ntelymenetelmi\u00e4, joista kenties yksinkertaisin on koulutuksen ennenaikainen p\u00e4\u00e4tt\u00e4minen. Ennenaikainen p\u00e4\u00e4tt\u00e4minen suoritetaan, kun ennustuskyky varmennusdatalla tehtyjen ennusteiden mukaan ei en\u00e4\u00e4 kasva. T\u00e4t\u00e4 menetelm\u00e4\u00e4 sovellettiin my\u00f6s t\u00e4m\u00e4n hankkeen rekursiivisen neuroverkon kouluttamiseen.<\/p>\n

Vaikka neuroverkkomalli saataisiin koulutettua saavuttamaan varsin mukiinmenevi\u00e4 testituloksia, syvien koneoppimismallien kehitt\u00e4j\u00e4 on aina huolissaan, onko mallin rakenne paras mahdollinen t\u00e4h\u00e4n sovelluskohteeseen. Vaikka neuroverkot useissa muodoissaan soveltuvat monipuolisesti erilaisiin sovelluskohteisiin, haasteena niiden soveltamisessa on valtava m\u00e4\u00e4r\u00e4 erilaisia mallirakenteita eli hyperparametrikombinaatioita. Hyperparametrikombinaatiot tarkoittavat erilaisia tapoja m\u00e4\u00e4ritell\u00e4 neuroverkko samaan ongelmaan; muuttamalla esimerkiksi neuroverkkojen kerrosten, neuronien, aktivaatiofunktioiden ja oppimisnopeutta saadaan valtava m\u00e4\u00e4r\u00e4 erilaisia vaihtoehtoja mallin m\u00e4\u00e4rittelylle. On siis t\u00e4rke\u00e4\u00e4 muodostaa systemaattinen l\u00e4hestymistapa mallin rakenteen m\u00e4\u00e4rittelyyn. \u00c4lyKaupunki-hankkeessa mallin valinnassa hy\u00f6dynnet\u00e4\u00e4n kahta algoritmia: ristivarmennusta (engl. cross-validation) ja bayesialaista optimointia.<\/p>\n

Ristivarmennuksessa malli koulutetaan ja varmennetaan toistuvasti satunnaisilla osilla treenidatasta, sen sijaan, ett\u00e4 koulutetaan ja varmennetaan malli ennalta p\u00e4\u00e4tetyill\u00e4 osuuksilla saatavilla olevasta datasta. Toistuvien koulutusten ja varmennusten j\u00e4lkeen otetaan keskim\u00e4\u00e4r\u00e4inen arvo mallin suorituskyvyst\u00e4 n\u00e4iden iteraatioiden yli. T\u00e4t\u00e4 keskiarvoista suorituskyky\u00e4 voidaan sen j\u00e4lkeen verrata muiden mallikonfiguraatioiden tuottamiin. K\u00e4ytt\u00e4m\u00e4ll\u00e4 ristivarmennusta saavutetaan ainakin kaksi merkitt\u00e4v\u00e4\u00e4 etua. Ensiksi ristivarmennuksessa voidaan k\u00e4ytt\u00e4\u00e4 aiemmin varmennukseen varattu data kouluttamiseen. T\u00e4st\u00e4 on etua varsinkin rajallisen datan sovelluskohteissa. Toiseksi ristivarmennuksen satunnainen n\u00e4ytteenotto poistaa valintavinouman merkityksen mallin valinnassa tilanteessa, jossa jokin malli sattuu sopimaan juuri valittuun p\u00e4tk\u00e4\u00e4n varmennusdataa. Ristivarmennuksen suurin heikkous verrattuna perinteiseen on laskennallinen hinta, mik\u00e4 hidastaa mahdollisten mallikonfiguraatioiden vertailua.<\/p>\n

Kuten aiemmin on todettu, monimutkaiset koneoppimismallit voidaan m\u00e4\u00e4ritell\u00e4 lukuisilla eri tavoilla, mik\u00e4 johtaa mahdollisten mallien avaruuden kasvamiseen valtavaksi. Koska vaihtoehtoisten m\u00e4\u00e4rittelyjen muodostama malliavaruus on suuri ja mallien vertailuun k\u00e4ytett\u00e4v\u00e4 ristivarmennusalgoritmi laskennallisesti kallis, on t\u00e4rke\u00e4\u00e4 valita testattavaksi ainoastaan etuk\u00e4teen arvioituna potentiaalisia malleja. Toista mallin valintaan k\u00e4ytett\u00e4v\u00e4\u00e4 algoritmia, bayesilaista optimointia, hy\u00f6dynnet\u00e4\u00e4n oikean suunnan l\u00f6yt\u00e4miseksi malliavaruudessa. Bayesilainen optimointi on optimointialgoritmi, jonka avulla voidaan etsi\u00e4 sis\u00e4ll\u00f6lt\u00e4\u00e4n tuntemattomille tavoitefunktioille, kuten neuroverkon ennusteiden tuottamalle virhefunktiolle, globaalisti paras arvo [11].<\/p>\n

Tulokset<\/h2>\n

Yhdist\u00e4m\u00e4ll\u00e4 ristivarmennus ja bayesialainen optimointi saadaan varsin toimiva systemaattinen l\u00e4hestymistapa, jossa toisaalta vertaillaan malleja luotettavasti niiden ennustekyvyn perusteella ja toisaalta valitaan testattavat mallit viisaasti resursseja tuhlaamatta. Toteutukseen k\u00e4ytettiin ohjelmointikieli Pythoniin soveltuvia Tensorflow, Keras ja scikit-learn-kirjastoja. Python-ohjelmiston avulla l\u00f6ydetty ja koulutettu parhaiten suoriutuva kaukol\u00e4mm\u00f6n energiankulutusmalli antoi testidatalle melko hyvi\u00e4 ennusteita, kuten kuvasta 3 n\u00e4hd\u00e4\u00e4n.<\/p>\n

\"Rekursiivisen
Kuva 3: Rekursiivisen neuroverkon ennusteet kaukol\u00e4mm\u00f6n energiankulutukselle testijaksolla<\/figcaption><\/figure>\n

Kaukol\u00e4mm\u00f6n energiankulutuksen luotettava ennustaminen mahdollistaa mallin k\u00e4yt\u00f6n varsin houkuttelevissa sovelluskohteissa, kuten uskottavan kontrollin muodostamisessa vaihtoehtoisia s\u00e4\u00e4t\u00f6strategioita testatessa tai pyritt\u00e4ess\u00e4 minimoimaan energian kulutusta optimointialgoritmeja hy\u00f6dynt\u00e4m\u00e4ll\u00e4. Vaihtoehtoisten s\u00e4\u00e4t\u00f6strategioiden testausta suoritettiin pilottikohteessa muutaman viikon ajan kev\u00e4\u00e4ll\u00e4 2021. Testauksen aikana et\u00e4yhteydell\u00e4 laskettiin koulun patteri- ja ilmanvaihtoverkkojen s\u00e4\u00e4t\u00f6l\u00e4mp\u00f6tiloja y\u00f6n aikana, mink\u00e4 j\u00e4lkeen saatua energiankulutusta verrattiin alkuper\u00e4isill\u00e4 s\u00e4\u00e4d\u00f6ill\u00e4 mallinnettuun. N\u00e4in voidaan arvioida muutosta energiankulutuksessa ottamalla samalla huomioon taustalla vaikuttavat olosuhteet. Kuvassa 4 esitell\u00e4\u00e4n toisella patteriverkolla toteutetun skenaariotestauksen tuloksia, joiden mukaan saavutettiin noin 2 %:n s\u00e4\u00e4st\u00f6t testiviikon aikana.<\/p>\n

\"Huhtikuisen
Kuva 4: Huhtikuisen skenaariotestauksen tulokset. Toteutuneet energiankulutukset ovat punaisina pisteit\u00e4 simuloitujen energiankulutusk\u00e4yrien rinnalla. Arvioitu kahden prosentin energians\u00e4\u00e4st\u00f6 n\u00e4hd\u00e4\u00e4n kuvassa k\u00e4yrien v\u00e4lisen\u00e4 alueena.<\/figcaption><\/figure>\n

My\u00f6s LVI-j\u00e4rjestelm\u00e4n ohjausten optimointia tutkittiin hankkeen aikana. Optimointi p\u00e4\u00e4tettiin toteuttaa parvi\u00e4lyll\u00e4, jossa suuri joukko hiukkasia pyrkii yhteisty\u00f6ss\u00e4 l\u00f6yt\u00e4m\u00e4\u00e4n kustannusfunktion minimoivat LVI-j\u00e4rjestelm\u00e4n ohjaukset. Optimoinnin kustannusfunktio muodostettiin kahdesta osasta rankaisten sek\u00e4 kasvavaa energiankulutusta ett\u00e4 poikkeamista hyv\u00e4ksytylt\u00e4 sis\u00e4l\u00e4mp\u00f6tila-alueelta. Iteratiivisessa parvi\u00e4lyalgoritmissa jokainen hiukkanen yritt\u00e4\u00e4 etsi\u00e4 parhaita ohjauksia toisaalta kokeilemalla erilaisia ohjauksia itse, toisaalta kuuntelemalla muiden hiukkasten kokemuksia. Lopulta joukko p\u00e4\u00e4see yhteisymm\u00e4rrykseen parhaista ohjauksista useiden kokeilujen j\u00e4lkeen.<\/p>\n

Haasteet ja kehityskohteet<\/h2>\n

Vaikka ty\u00f6kalu kaukol\u00e4mm\u00f6n energiankulutuksen ennustamiseen on suorituskykyinen ja mukautuva, on hankkeen aikana tuotetussa ratkaisussa viel\u00e4 kehitett\u00e4v\u00e4\u00e4. Ensiksi kaikista houkuttelevimpien sovelluskohteiden, kuten LVI-j\u00e4rjestelm\u00e4n monitavoiteoptimoinnin, kannalta oleellisten sis\u00e4l\u00e4mp\u00f6tilaennusteiden tarkkuus on t\u00e4ll\u00e4 hetkell\u00e4 varsin heikko. Jos LVI-parametrien perusteella kyett\u00e4isiin luomaan luotettavia l\u00e4mp\u00f6tilaennusteita l\u00e4mmitysverkkoihin teht\u00e4vien s\u00e4\u00e4t\u00f6jen vaikutuksista, pystytt\u00e4isiin rakennusten energiankulutus minimoimaan tinkim\u00e4tt\u00e4 rakennuksen mukavuudesta.<\/p>\n

Keskim\u00e4\u00e4r\u00e4isen l\u00e4mp\u00f6tilan ennustamisessa on t\u00e4ll\u00e4 hetkell\u00e4 ainakin kolme merkitt\u00e4v\u00e4\u00e4 ongelmaa: l\u00e4mp\u00f6tila-antureiden vajavainen kattavuus, datan puute huoneissa s\u00e4\u00e4dett\u00e4vien termostaattien asetuksista ja rakennuksen keskil\u00e4mp\u00f6tilan vakaus. Jokainen n\u00e4ist\u00e4 vaikeuttaa mallintamista omaleimaisesti. L\u00e4mp\u00f6tila-antureiden vajavainen kattavuus aiheuttanee suoran mittausvirheen, termostaattidatan puute lienee mallin selitt\u00e4v\u00e4\u00e4 kyky\u00e4 lis\u00e4\u00e4v\u00e4 puuttuva suure ja keskil\u00e4mp\u00f6tilan vakaus kaventaa koneoppimismallin suoritusaluetta merkitt\u00e4v\u00e4sti. Mit\u00e4 tulee vanhempien rakennusten automaatioj\u00e4rjestelmiin, n\u00e4iden ongelmien korjaaminen skaalautuvalla tavalla vaikuttaa varsin haastavalta. Uudempien rakennusten \u00e4lykk\u00e4iden energiaj\u00e4rjestelmien suhteen voi olla optimistisempi.<\/p>\n

Yksi skaalattavuuden kannalta t\u00e4rke\u00e4 tekij\u00e4 on LVI-j\u00e4rjestelm\u00e4n parametrien automaattinen tunnistaminen. T\u00e4ll\u00e4 hetkell\u00e4 jokaisen uuden rakennuksen kohdalla ohjelmoijan tulee erikseen perehty\u00e4 LVI-j\u00e4rjestelm\u00e4n dokumentaatioon, jotta automaatioj\u00e4rjestelm\u00e4st\u00e4 saatua dataa voitaisiin hy\u00f6dynt\u00e4\u00e4. Ratkaisuna ongelmaan voisi tulevaisuudessa toimia esimerkiksi avoimen l\u00e4hdekoodin Brick-skeema, joka standardoi rakennusten fyysiset, loogiset ja virtuaaliset ominaisuudet ja niiden v\u00e4liset suhteet selke\u00e4n, yleisp\u00e4tev\u00e4n mallin alaisuuteen. Skeeman soveltamista suomalaisiin julkisrakennuksiin tutkitaan my\u00f6s \u00c4lyKaupunki-hankkeessa.<\/p>\n

Yhteenveto<\/h2>\n

\u00c4lyKaupunki-hankkeen tavoitteena on \u00e4lykk\u00e4iden LVI-j\u00e4rjestelmien k\u00e4ytt\u00f6\u00f6noton ensimm\u00e4isess\u00e4 vaiheessa tuottaa innovaatioita, jotka edist\u00e4v\u00e4t v\u00e4h\u00e4hiilisyytt\u00e4 Pirkanmaan alueella. T\u00e4ss\u00e4 kirjoituksessa on esitelty sek\u00e4 kaukol\u00e4mm\u00f6n energiankulutusta ennustava koneoppimisalgoritmi ett\u00e4 LVI-j\u00e4rjestelm\u00e4n parvi\u00e4lyoptimointi, joiden l\u00e4hdekoodit ovat saatavilla sallivalla Apache 2.0 lisenssill\u00e4 GitHub-tietos\u00e4il\u00f6ss\u00e4<\/a>.<\/strong> Tietos\u00e4il\u00f6st\u00e4 l\u00f6yt\u00e4\u00e4 p\u00e4tk\u00e4n esimerkkidataa ja l\u00e4hdekoodit sen esik\u00e4sittelyyn, mallien valintaan ja koulutukseen sek\u00e4 ohjausten optimointiin. N\u00e4it\u00e4 ty\u00f6kaluja voidaan k\u00e4ytt\u00e4\u00e4 vapaasti uusien \u00e4lykk\u00e4iden LVI-j\u00e4rjestelmien kehitysprosessissa. On nimitt\u00e4in kaikkien osapuolten etu, ett\u00e4 rakennusten l\u00e4mmitys saadaan mahdollisimman nopeasti v\u00e4h\u00e4hiilisiksi. Sit\u00e4 ehdottomasti tarvitaan Suomen asettamien kunnianhimoisten p\u00e4\u00e4st\u00f6tavoitteiden saavuttamiseksi.<\/p>\n

\"Logot:<\/p>\n","protected":false},"excerpt":{"rendered":"

Tietojenk\u00e4sittelyn ja teko\u00e4lyn kehitys on mahdollistanut \u00e4lykk\u00e4iden ratkaisujen toteuttamisen entist\u00e4 useammassa sovelluskohteessa viime vuosien aikana. Teko\u00e4ly\u00e4 k\u00e4ytet\u00e4\u00e4n laajasti muun muassa roskapostisuodattimissa, sis\u00e4lt\u00f6suosituksissa ja teollisuusroboteissa. H\u00e4meen ammattikorkeakoulun tutkijat ovat tutkineet viimeisimm\u00e4n teko\u00e4lytekniikan soveltamista my\u00f6s julkisten rakennusten LVI-j\u00e4rjestelmiin. T\u00e4m\u00e4 kirjoitus on tehty osana Euroopan aluekehitysrahaston (EAKR) rahoittamaa \u00c4lyKaupunki-hanketta. Ymp\u00e4rist\u00f6ministeri\u00f6 on asettanut tavoitteekseen laskea rakennusten energiankulutusta 55 %More<\/a><\/span><\/p>\n","protected":false},"author":827,"featured_media":2056,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[99,1],"tags":[100,92,12,110],"class_list":{"0":"post-2037","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-alykaupunki","8":"category-yleinen","9":"tag-alykaupunki","10":"tag-digitalisaatio","11":"tag-hamk-smart","12":"tag-koneoppiminen"},"acf":[],"yoast_head":"\n\u00c4lyKaupunki-hanke\u00a0edist\u00e4\u00e4\u00a0teko\u00e4lyn tuotteistamista\u00a0rakennuksissa\u00a0 - HAMK Smart<\/title>\n<meta name=\"description\" content=\"H\u00e4meen ammattikorkeakoulun tutkijat ovat tutkineet viimeisimm\u00e4n teko\u00e4lytekniikan soveltamista my\u00f6s julkisten rakennusten LVI-j\u00e4rjestelmiin.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/\" \/>\n<meta property=\"og:locale\" content=\"fi_FI\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"\u00c4lyKaupunki-hanke\u00a0edist\u00e4\u00e4\u00a0teko\u00e4lyn tuotteistamista\u00a0rakennuksissa\u00a0 - HAMK Smart\" \/>\n<meta property=\"og:description\" content=\"H\u00e4meen ammattikorkeakoulun tutkijat ovat tutkineet viimeisimm\u00e4n teko\u00e4lytekniikan soveltamista my\u00f6s julkisten rakennusten LVI-j\u00e4rjestelmiin.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/\" \/>\n<meta property=\"og:site_name\" content=\"HAMK Smart\" \/>\n<meta property=\"article:published_time\" content=\"2021-10-15T10:41:46+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-12-05T08:16:49+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/blog.hamk.fi\/hamk-smart\/wp-content\/uploads\/sites\/41\/2021\/10\/MicrosoftTeams-image-15.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1199\" \/>\n\t<meta property=\"og:image:height\" content=\"599\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Lotta Valanne\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Kirjoittanut\" \/>\n\t<meta name=\"twitter:data1\" content=\"Lotta Valanne\" \/>\n\t<meta name=\"twitter:label2\" content=\"Arvioitu lukuaika\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 minuuttia\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/\"},\"author\":{\"name\":\"Lotta Valanne\",\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/#\/schema\/person\/35a7d02c5cf005404b365c39a1ecd6da\"},\"headline\":\"\u00c4lyKaupunki-hanke\u00a0edist\u00e4\u00e4\u00a0teko\u00e4lyn tuotteistamista\u00a0rakennuksissa\u00a0\",\"datePublished\":\"2021-10-15T10:41:46+00:00\",\"dateModified\":\"2023-12-05T08:16:49+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/\"},\"wordCount\":2397,\"commentCount\":0,\"image\":{\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/blog.hamk.fi\/hamk-smart\/wp-content\/uploads\/sites\/41\/2021\/10\/MicrosoftTeams-image-15.png\",\"keywords\":[\"\u00c4lyKaupunki\",\"digitalisaatio\",\"HAMK Smart\",\"koneoppiminen\"],\"articleSection\":[\"\u00c4lyKaupunki\"],\"inLanguage\":\"fi\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/\",\"url\":\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/\",\"name\":\"\u00c4lyKaupunki-hanke\u00a0edist\u00e4\u00e4\u00a0teko\u00e4lyn tuotteistamista\u00a0rakennuksissa\u00a0 - HAMK Smart\",\"isPartOf\":{\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/blog.hamk.fi\/hamk-smart\/wp-content\/uploads\/sites\/41\/2021\/10\/MicrosoftTeams-image-15.png\",\"datePublished\":\"2021-10-15T10:41:46+00:00\",\"dateModified\":\"2023-12-05T08:16:49+00:00\",\"author\":{\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/#\/schema\/person\/35a7d02c5cf005404b365c39a1ecd6da\"},\"description\":\"H\u00e4meen ammattikorkeakoulun tutkijat ovat tutkineet viimeisimm\u00e4n teko\u00e4lytekniikan soveltamista my\u00f6s julkisten rakennusten LVI-j\u00e4rjestelmiin.\",\"breadcrumb\":{\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#breadcrumb\"},\"inLanguage\":\"fi\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#primaryimage\",\"url\":\"https:\/\/blog.hamk.fi\/hamk-smart\/wp-content\/uploads\/sites\/41\/2021\/10\/MicrosoftTeams-image-15.png\",\"contentUrl\":\"https:\/\/blog.hamk.fi\/hamk-smart\/wp-content\/uploads\/sites\/41\/2021\/10\/MicrosoftTeams-image-15.png\",\"width\":1199,\"height\":599},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/blog.hamk.fi\/hamk-smart\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"\u00c4lyKaupunki-hanke\u00a0edist\u00e4\u00e4\u00a0teko\u00e4lyn tuotteistamista\u00a0rakennuksissa\u00a0\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/#website\",\"url\":\"https:\/\/blog.hamk.fi\/hamk-smart\/\",\"name\":\"HAMK Smart\",\"description\":\"Kirjoituksia tutkimusyksik\u00f6n arjesta, hankkeista, ty\u00f6ntekij\u00f6ist\u00e4 ja opiskelijatarinoista ja tutkimuksista. HAMK Smart tekee tutkimusta monialaisesti ja digitaalisuus liittyy vahvasti kaikkiin meid\u00e4n tutkimuksiin ja hankkeisiin.\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/blog.hamk.fi\/hamk-smart\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fi\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/#\/schema\/person\/35a7d02c5cf005404b365c39a1ecd6da\",\"name\":\"Lotta Valanne\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\/\/blog.hamk.fi\/hamk-smart\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/47fbb53a046510e93a8bdc968136ac4849bffa4af29146a1cadae8f6825e3330?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/47fbb53a046510e93a8bdc968136ac4849bffa4af29146a1cadae8f6825e3330?s=96&d=mm&r=g\",\"caption\":\"Lotta Valanne\"},\"url\":\"https:\/\/blog.hamk.fi\/hamk-smart\/author\/lotta210hamk-fi\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"\u00c4lyKaupunki-hanke\u00a0edist\u00e4\u00e4\u00a0teko\u00e4lyn tuotteistamista\u00a0rakennuksissa\u00a0 - HAMK Smart","description":"H\u00e4meen ammattikorkeakoulun tutkijat ovat tutkineet viimeisimm\u00e4n teko\u00e4lytekniikan soveltamista my\u00f6s julkisten rakennusten LVI-j\u00e4rjestelmiin.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/","og_locale":"fi_FI","og_type":"article","og_title":"\u00c4lyKaupunki-hanke\u00a0edist\u00e4\u00e4\u00a0teko\u00e4lyn tuotteistamista\u00a0rakennuksissa\u00a0 - HAMK Smart","og_description":"H\u00e4meen ammattikorkeakoulun tutkijat ovat tutkineet viimeisimm\u00e4n teko\u00e4lytekniikan soveltamista my\u00f6s julkisten rakennusten LVI-j\u00e4rjestelmiin.","og_url":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/","og_site_name":"HAMK Smart","article_published_time":"2021-10-15T10:41:46+00:00","article_modified_time":"2023-12-05T08:16:49+00:00","og_image":[{"width":1199,"height":599,"url":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-content\/uploads\/sites\/41\/2021\/10\/MicrosoftTeams-image-15.png","type":"image\/png"}],"author":"Lotta Valanne","twitter_card":"summary_large_image","twitter_misc":{"Kirjoittanut":"Lotta Valanne","Arvioitu lukuaika":"10 minuuttia"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#article","isPartOf":{"@id":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/"},"author":{"name":"Lotta Valanne","@id":"https:\/\/blog.hamk.fi\/hamk-smart\/#\/schema\/person\/35a7d02c5cf005404b365c39a1ecd6da"},"headline":"\u00c4lyKaupunki-hanke\u00a0edist\u00e4\u00e4\u00a0teko\u00e4lyn tuotteistamista\u00a0rakennuksissa\u00a0","datePublished":"2021-10-15T10:41:46+00:00","dateModified":"2023-12-05T08:16:49+00:00","mainEntityOfPage":{"@id":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/"},"wordCount":2397,"commentCount":0,"image":{"@id":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#primaryimage"},"thumbnailUrl":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-content\/uploads\/sites\/41\/2021\/10\/MicrosoftTeams-image-15.png","keywords":["\u00c4lyKaupunki","digitalisaatio","HAMK Smart","koneoppiminen"],"articleSection":["\u00c4lyKaupunki"],"inLanguage":"fi","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/","url":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/","name":"\u00c4lyKaupunki-hanke\u00a0edist\u00e4\u00e4\u00a0teko\u00e4lyn tuotteistamista\u00a0rakennuksissa\u00a0 - HAMK Smart","isPartOf":{"@id":"https:\/\/blog.hamk.fi\/hamk-smart\/#website"},"primaryImageOfPage":{"@id":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#primaryimage"},"image":{"@id":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#primaryimage"},"thumbnailUrl":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-content\/uploads\/sites\/41\/2021\/10\/MicrosoftTeams-image-15.png","datePublished":"2021-10-15T10:41:46+00:00","dateModified":"2023-12-05T08:16:49+00:00","author":{"@id":"https:\/\/blog.hamk.fi\/hamk-smart\/#\/schema\/person\/35a7d02c5cf005404b365c39a1ecd6da"},"description":"H\u00e4meen ammattikorkeakoulun tutkijat ovat tutkineet viimeisimm\u00e4n teko\u00e4lytekniikan soveltamista my\u00f6s julkisten rakennusten LVI-j\u00e4rjestelmiin.","breadcrumb":{"@id":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#breadcrumb"},"inLanguage":"fi","potentialAction":[{"@type":"ReadAction","target":["https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/"]}]},{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#primaryimage","url":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-content\/uploads\/sites\/41\/2021\/10\/MicrosoftTeams-image-15.png","contentUrl":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-content\/uploads\/sites\/41\/2021\/10\/MicrosoftTeams-image-15.png","width":1199,"height":599},{"@type":"BreadcrumbList","@id":"https:\/\/blog.hamk.fi\/hamk-smart\/alykaupunki-hanke-edistaa-tekoalyn-tuotteistamista-rakennuksissa\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/blog.hamk.fi\/hamk-smart\/"},{"@type":"ListItem","position":2,"name":"\u00c4lyKaupunki-hanke\u00a0edist\u00e4\u00e4\u00a0teko\u00e4lyn tuotteistamista\u00a0rakennuksissa\u00a0"}]},{"@type":"WebSite","@id":"https:\/\/blog.hamk.fi\/hamk-smart\/#website","url":"https:\/\/blog.hamk.fi\/hamk-smart\/","name":"HAMK Smart","description":"Kirjoituksia tutkimusyksik\u00f6n arjesta, hankkeista, ty\u00f6ntekij\u00f6ist\u00e4 ja opiskelijatarinoista ja tutkimuksista. HAMK Smart tekee tutkimusta monialaisesti ja digitaalisuus liittyy vahvasti kaikkiin meid\u00e4n tutkimuksiin ja hankkeisiin.","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/blog.hamk.fi\/hamk-smart\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fi"},{"@type":"Person","@id":"https:\/\/blog.hamk.fi\/hamk-smart\/#\/schema\/person\/35a7d02c5cf005404b365c39a1ecd6da","name":"Lotta Valanne","image":{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/blog.hamk.fi\/hamk-smart\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/47fbb53a046510e93a8bdc968136ac4849bffa4af29146a1cadae8f6825e3330?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/47fbb53a046510e93a8bdc968136ac4849bffa4af29146a1cadae8f6825e3330?s=96&d=mm&r=g","caption":"Lotta Valanne"},"url":"https:\/\/blog.hamk.fi\/hamk-smart\/author\/lotta210hamk-fi\/"}]}},"_links":{"self":[{"href":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-json\/wp\/v2\/posts\/2037","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-json\/wp\/v2\/users\/827"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-json\/wp\/v2\/comments?post=2037"}],"version-history":[{"count":23,"href":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-json\/wp\/v2\/posts\/2037\/revisions"}],"predecessor-version":[{"id":2223,"href":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-json\/wp\/v2\/posts\/2037\/revisions\/2223"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-json\/wp\/v2\/media\/2056"}],"wp:attachment":[{"href":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-json\/wp\/v2\/media?parent=2037"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-json\/wp\/v2\/categories?post=2037"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.hamk.fi\/hamk-smart\/wp-json\/wp\/v2\/tags?post=2037"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}