il Retrofit Recommender
Questo motore di raccomandazione di facile utilizzo tiene conto di una serie di variabili specifiche dell'edificio, tra cui:
Anno di costruzione
Area di misurazione
Tipo di asset (secondo le definizioni del GRESB)
Dati sul consumo energetico attuale (non disponibili nella versione online gratuita, solo tramite la piattaforma online completa).
Il nostro algoritmo di modellazione degli scenari, istruito su centinaia di dati e risultati di retrofit reali, genera scenari di retrofit di alto livello per aiutare le parti interessate a prendere decisioni critiche volte a proteggere il valore delle loro proprietà. Le misure consigliate allineano gli scenari di retrofit con gli obiettivi degli utenti, sia che questi siano legati a un tetto massimo di costi di investimento che a un limite massimo di riduzione di CO2.
Le raccomandazioni del nostro strumento si focalizzano sul risparmio energetico e l'ottimizzazione delle fonti di riscaldamento (compresi gasolio, pompe di calore, gas naturale e teleriscaldamento), suggerendo al contempo potenziali miglioramenti ai sistemi di riscaldamento, raffrescamento, ventilazione e illuminazione. Inoltre, lo strumento esamina le sottocategorie dell'involucro termico dell'edificio, come il tetto, la facciata e le finestre.
Prova la versione light dello strumento qui sotto e scopri il valore che il machine learning (ML) di BuildingMinds può apportare al tuo portafoglio, evitando i rischi e migliorando le tue strategie di investimento per le proprietà esistenti.
Select your building type
Sulla base delle informazioni sull'edificio, il Retrofit Recommender calcola le stime di rendimento e testa diversi scenari tramite il nostro strumento di machine learning (ML), in modo da aiutarti a pianificare il prossimo retrofit.
come l'anno di costruzione e il tipo di edificio
o inserisci i fattori relativi a:
• Costi
• Aree di retrofit con il miglior ritorno per l'impatto sulle emissioni di carbonio
• Misure di riduzione della CO2
Specifica uno o più output per generare le stime degli altri.
Testa con diverse variabili gli scenari sviluppati tramite ML.
Il modello prevede possibili interventi di retrofit, stima i risparmi energetici e i costi delle misure di retrofit in base alle caratteristiche dell'edificio (input standard):
tipo di edificio (ufficio, residenziale, ecc.)
anno di costruzione
superficie dell'edificio (in m2)
ubicazione (paese, secondo il codice ISO-3166 ALPHA-2, ad es. DE)
fonte primaria di riscaldamento (opzionale)
consumo di riscaldamento ed elettricità prima del retrofit (kWh/m2 all'anno).