el Retrofit Recommender
Este motor de recomendación fácil de usar tiene en cuenta una variedad de variables específicas del edificio, incluyendo:
Año de construcción
Medición del área
Tipo de activo (según las definiciones de GRESB)
Datos actuales de consumo de energía (no disponibles en nuestra versión gratuita en línea, solo a través de la plataforma en línea completa)
Nuestro algoritmo de modelado de escenarios, entrenado con cientos de puntos de datos reales de reacondicionamiento y resultados, genera escenarios de reacondicionamiento de primera línea para ayudar a los interesados a tomar decisiones críticas para proteger el valor de sus propiedades. Las medidas recomendadas alinean los escenarios de reacondicionamiento con los objetivos de los usuarios, ya sea que estén relacionados con un límite de gastos de capital o una reducción de CO2.
Las recomendaciones de nuestra herramienta enfatizan el ahorro de energía y la optimización de la fuente de calefacción (incluyendo aceite de calefacción, bombas de calor, gas natural y calefacción urbana), al mismo tiempo que sugieren posibles mejoras a los sistemas de calefacción, refrigeración, ventilación e iluminación. También examina subcategorías dentro del envolvente térmico del edificio, como el techo, la fachada y las ventanas.
Prueba una versión gratuita de la herramienta a continuación y comprende el valor que el machine learning de BuildingMinds puede aportar a tu portafolio a través de la evasión de riesgos y mejores estrategias de inversión para las propiedades existentes.
Select your building type
Basado en la información de tu edificio, el Retrofit recommender calcula estimaciones de salida y nuestra herramienta de aprendizaje automático ayuda a probar diferentes escenarios, para que puedas planificar tu próximo reacondicionamiento.
como el Año de Construcción y el Tipo de Edificio.
o ajusta factores relacionados con:
• Costos
• Áreas de reacondicionamiento con mejor retorno para el impacto de carbono
• Medidas de reducción de CO2
Especifica una o más salidas para generar estimaciones de las demás.
Prueba los escenarios impulsados por ML con diferentes variables.
El modelo predice acciones de reacondicionamiento, estilos ahorros de energía y los costos de las medidas de reacondicionamiento basadas en los atributos del edificio (entrada estándar):
Tipo de edificio (oficina, residencial, etc.)
Año de construcción
Superficie del edificio (en m²)
Ubicación (país, según el código ISO-3166 ALPHA-2, por ejemplo, DE para Alemania)
Fuente de calefacción principal (opcional)
Consumo de calefacción y electricidad antes del retrofit (kWh/m² por año).