VV02 Omslag 600
April 2021

‘Met AI geven we gebouwen hersenen om hun omgeving te beredeneren’

Dr. Charalampos Andriotis, co-directeur van AiDAPT, TU Delft

10 01

In juni 2020 en begin dit jaar zijn aan de tu Delft een flink aantal ‘ai-labs’ gestart. De universiteit wil hiermee het onderzoek naar artificial intelligence en verschillende vormen van machine en deep learning naar een wereldwijd hoog niveau brengen. Vanuit de hele wereld zijn onderzoekers aangetrokken om uiteindelijk 24 van dit soort labs te gaan leiden. Eén van hen is dr. Charalampos Andriotis, die samen met een mede-onderzoeker aidapt gaat leiden. Dit is het laboratorium dat zich specifiek richt op ai in de gebouwde omgeving.

Door de razendsnelle ontwikkelingen in ai, datawetenschappen en digitalisering ontstaat een versnelling in wetenschappelijke vooruitgang in alle domeinen, zo staat in een verklaring die de tu Delft bij de aankondiging van de labs uitbracht. Die versnelling zien we op het terrein van medische wetenschappen tot en met het onderzoek naar infrastructuur, en van fundamenteel tot toegepast onderzoek. In juni 2020 lanceerde de universiteit daarom de eerste acht ‘tu Delft ai Labs’. En daar zijn er in januari 2021 acht aan toegevoegd; later dit jaar volgen er nog eens acht. Binnen deze 24 labs staat de samenwerking centraal tussen experts in de meest geavanceerde ai-technologieën (‘in-ai’ experts) en specialisten in andere, uiteenlopende domeinen (‘met-ai’ experts). Om leiding te geven aan deze labs zal tu Delft in totaal 24 universitair docenten aannemen, die voor ten minste 5 jaar opstartfinanciering krijgen om deze, zich ontwikkelende onderzoeksgebieden uit te bouwen tot op zichzelf staande, volwassen disciplines. Ook nemen zij 96 PhD’s aan met wie zij bij deze labs het onderzoek zullen uitvoeren. Een van de universitair docenten is dr. Charalampos Andriotis, die sinds begin dit jaar samen met zijn collega dr. Seyran Khademi leiding geeft aan het lab aidapt, dat staat voor Artificial Intelligence for Design, Analysis, and Optimization in Architecture & the Built Environment.

Vertaalslag naar de praktijk

‘Het is de laatste jaren erg snel gegaan met de mogelijkheden die ai biedt bij het ontwerp en de engineering van de gebouwde omgeving. Of eigenlijk; we kunnen die mogelijkheden steeds beter systematisch bestuderen. De volgende stap is nu om de vertaalslag naar de praktijk te maken. En dat is nu juist wat we met ons ai lab in Delft willen doen’, zegt Andriotis. Hij is in 2015 afgestudeerd in de studie civiele techniek aan de nationale technische universiteit van Athene en is vervolgens voor zijn PhD aan de slag gegaan bij de afdeling Civil and Environmental Engineering aan de Penn State University in de Verenigde Staten. Nadat hij in 2019 zijn PhD behaalde, werkte hij bij Penn State University als postdoc aan een onderzoek naar zaken als onzekerheidskwantificering, levenscyclusrisico’s, betrouwbaarheid en optimalisering op het raakvlak van constructietechniek en datawetenschap. ‘De combinatie van modelgebaseerde engineering en datagestuurde methoden is onontbeerlijk voor de ingenieurs van vandaag en hun opleiding.’

‘Het doel is om straks onze gebouwde omgeving volledig te kunnen engineeren en beheren op basis van data’

AI en data-analyse

Andriotis heeft zich de afgelopen jaren op de Penn State University als deskundige onderscheiden door ai in te zetten voor het managen, monitoren en onderhouden van constructies in hun verschillende levenscyclusfases. Hij ontving daarvoor verschillende onderscheidingen en publiceerde zijn bevindingen in enkele vooraanstaande magazines. ‘Mijn focus ligt op dit moment volledig bij alle nieuwe ontwikkelingen in kunstmatige intelligentie en data-analyse’, vertelt hij. ‘Ik ben bezig met de ontwikkeling van inferentie-, leer- en optimalisatiemethodes die zich richten op het bevorderen van besluitvorming en beslissingsondersteuning voor de gebouwde omgeving en infrastructuur. Uiteindelijk bereiken we daarmee een veerkrachtigere en duurzamere gebouwde omgeving.’ In zijn optiek gaan we uiteindelijk naar verschillende raamwerken die gebaseerd zijn op volledig gekoppelde, datagestuurde en fysica-gebaseerde engineering. ‘Het doel is om straks onze gebouwde omgeving volledig te kunnen engineeren en beheren op basis van data. Data die op hun beurt via artificial intelligence en modelgebaseerde simulaties kunnen helpen om ons voortdurend te informeren, en om voorspellingen en beslissingen te updaten.’ ‘Het voorspellende en voorschrijvende vermogen dat we met ai kunnen bereiken, zal een grote verandering teweegbrengen voor de hele bouw- en installatiewereld. In de toekomst zullen ai-gestuurde simulaties voor een groot deel, en misschien zelfs volledig, bepalen wat objectief gezien de beste keuzes zijn. Dit geldt voor het bepalen van ontwerpen, maar ook voor technieken waarmee we de technische status van infrastructuur monitoren, of voor technische interventies of bouwmaterialen waarvan we bijvoorbeeld de duurzaamheid, kosten of veiligheid willen vaststellen.’

Ontwikkeling van AI-agents

Om tot dergelijke resultaten te kunnen komen, is de ontwikkeling van goede, zogeheten ai-agents een randvoorwaarde. ‘ai-agents kunnen op basis van onderliggende rekenmodellen zelfstandig berekeningen maken en de meeste optimale conclusies trekken. Zij hebben bewezen dat zij bij bepaalde taken opvallend beter zijn dan mensen. Wij voorzien ai-agents van invoergegevens en numerieke simulatoren, de ‘omgeving’, en zij zorgen daarmee voor de interactie. Op zo’n manier vervult de ai-agent de rol van het centrale brein dat alle systemen verbindt; daarom vergelijk ik hem vaak met de hersenen. Uiteindelijk kunnen we met de ai-agent een gebouw van ‘hersenen’ voorzien, die beslissingen genereren die wij in de levenscyclus kunnen implementeren. Deze capaciteit zorgt ervoor dat ontwerpen een dynamisch, adaptief proces wordt in plaats van een statische, eenmalige taak. De ontwerper heeft nu een extra uitdaging op te lossen: hoe creëert hij of zij de nodige ‘ruimte’ voor veranderingen in vorm, geometrie of type constructiedelen die de ai-agent mogelijk in de toekomst voorschrijft als optimale acties.’ Volgens Andriotis heeft het gebruik van ai uiteindelijk twee belangrijke voordelen. ‘In het begin zullen we ai vooral gebruiken ter ondersteuning van prestatievoorspelling, beoordeling en besluitvorming. Die resultaten zullen het de ontwerpers, engineers en beheerders van gebouwen makkelijker maken om zelf beslissingen te nemen. Maar uiteindelijk zullen we zien dat we die beslissingen steeds vaker en ook volledig kunnen overlaten aan het systeem waarvoor ai de rol van brein vervult, bijvoorbeeld via systemen en devices die we in het gebouw installeren.’
De mogelijke toepassingen zijn zeer breed, zo vertelt hij. Als je naar een gebouw kijkt, dan zal ai leiden tot veel meer, maar vooral effectievere keuzes in het ontwerpproces. Ook ziet Andriotis al snel mogelijkheden ontstaan in structurele gezondheidsmonitoring, inspectie en onderhoudsprogramma’s. ‘Het voorspellen van optimale onderhoudsmomenten, noodzakelijke vervanging of waar en wanneer je gegevens moet verzamelen om het optreden van storingen of systeemstoringen te minimaliseren, is bij uitstek het terrein waarvoor ai-agents zijn en worden ontwikkeld.’

10 02

Werken met digital twins

Natuurlijk is het essentieel om, wil je met ai-agents kunnen werken, goed werkende computermodellen en data tot je beschikking te hebben. ‘Het is niet zo dat we een ai-agent ergens installeren en dat zo’n slim systeem zijn gang kan gaan. Binnen het gebouw, het systeem of de constructie moeten sensornetwerken en computermodellen samenwerken. Een snel opkomende ontwikkeling is de ‘digital twin’, gebaseerd op zo veel mogelijk niveaus van statische, dynamische en geografische data, gecombineerd met numerieke modellen. Omdat het bouwen van digital twins tijd vergt, verwacht ik in de komende jaren – zeg tot 2030 – vooral kansen voor hybride toepassingen van ai in de gebouwde omgeving. Dit is ook een van de wegen die wij samen met de markt binnen ons lab, aidapt, willen verkennen. We zullen echt samen moeten ontdekken hoe ver en hoe snel we deze ontwikkeling kunnen implementeren.’ Binnen het lab is er ruimte voor verschillende studenten die hier onderzoek willen doen, maar Andriotis vindt het ook belangrijk dat er samenwerking ontstaat met het bedrijfsleven. Enerzijds bedrijven die de computersoftware kunnen helpen ontwikkelen. Maar ook bedrijven die de uiteindelijke toepassingen van ai in de praktijk kunnen toetsen. ‘Het zou fantastisch zijn als er vanuit aidapt startups ontstaan die deze impactvolle technologie naar de praktijk kunnen brengen. Want dat is waar we het uiteindelijk toch voor doen.’

Machine en deep learning

Als we over kunstmatige intelligentie praten, komen ook vaak de termen machine learning en deep learning ter sprake. Andriotis: ‘machine learning is in feite een praktisch uitvloeisel van ai en deep learning is weer een onderdeel van machine learning. We onderscheiden tegenwoordig ook de meer gespecificeerde vormen van machine learning, zoals supervised learning, unsupervised learning en reinforcement learning.’
‘Bij supervised learning gebruiken we specifieke, bekende invoergegevens om bepaalde, verwachte resultaten te vinden. Wanneer we die bekende resultaten van het gebouw of de constructie hebben, gaat het ai-systeem specifiek op zoek naar een resultaat, zodat dit helpt om bepaalde prestaties of voorspelde prestaties te onderbouwen. Wij kunnen bijvoorbeeld metingen of beelden gebruiken om toekomstige defecten of de resterende levensduur te voorspellen.’
‘Unsupervised learning gaat juist aan het werk met onbekende of niet-specifieke data en probeert patronen te vinden. Het is een vorm van gegevensanalyse waarmee we verborgen patronen of groeperingen kunnen ontdekken. Dit kan belangrijk zijn voor ontwerpers, maar ook voor makers van modellen, die zich met generatieve ontwerpen bezighouden.’
‘Bij reinforcement learning trainen we de systemen om een opeenvolging van beslissingen te nemen. De ai-agent leert daarvoor een doel te bereiken in een onzekere, potentieel complexe omgeving. Het leert dus niet alleen patronen, maar maakt ook gebruik van die patronen om de systeemreacties actief vorm te geven. Je kunt denken aan beslissingen rondom de levenscyclus van systemen waar het gaat om retrofit, onderhoud, plaatsing van sensoren of wijzigingsprogramma’s.’

Zo breed mogelijk spectrum

Mede door de coronapandemie was Andriotis ten tijde van het interview nog werkzaam vanuit Penn State University in de VS. Maar in april zal hij toch echt van start gaan bij aidapt aan de tu Delft. Vanaf dat moment zal hij, samen met mededirecteur dr. Seyran Khademi, meerdere PhD- en postdoc-studenten aansturen en samen met hen onderzoeken opstarten op verschillende ai-terreinen.
‘We willen onze studies in een zo breed mogelijk spectrum van de gebouwde omgeving opzetten, van ontwerp tot voorspellend onderhoud, en voor individuele constructies of installaties tot en met grootschalige infrastructuur of stadsdelen. Dit is een complexe doelstelling die veel verder gaat dan de technische aspecten van ai. Dit raakt ook aan kwesties als het beheer van infrastructuur, architectonische vormgeving en structureel ontwerp. Het zijn de fundamentele onderdelen van duurzaamheid en weerbaarheid van onze gebouwde omgeving. Daarom bouwen we via aidapt bruggen tussen verschillende richtingen, zoals met de afdelingen en deskundigen op het gebied van structureel ontwerp en mechanica, architectuur en computerwetenschappen.’
‘Maar we willen ook ondervinden hoe de markt hierop reageert, waar hun interesses liggen en waar de mogelijkheden tot samenwerking zich aandienen.’ Hoe snel de eerste ai-agents in de gebouwde omgeving actief kunnen zijn, durft Andriotis nog niet te voorspellen. Maar dat ze in de komende 10 jaar actief worden en een belangrijke rol gaan vervullen, daar is hij zeker van. En met de enorme impuls die tu Delft nu, met de ai labs, aan deze ontwikkeling geeft, liggen er voor de Nederlandse bouw- en installatiewereld bijzondere mogelijkheden om hier een voortrekkersrol in te -vervullen. 

24 verschillende TU Delft AI-labs

Sinds vorig jaar is tu Delft gestart met de oprichting van ai-labs. Elk van deze labs bestaat uit een team van talentvolle wetenschappers, waarvan de helft ‘in-ai’-onderzoekers zijn, en de andere helft in een specifiek domein ai toepast (‘met-ai’-onderzoekers). Aan het eind van 2021 wil de universiteit 24 verschillende ai labs hebben waarbinnen zo’n honderdvijftig academici vanuit alle acht faculteiten van de tu Delft actief zijn. Het ai-lab aidapt, Artificial Intelligence for Design, Analysis, and Optimization in Architecture & the Built Environment, is een van de labs die nu van start is gegaan.

Tekst: Rob van Mil, freelance publicist.
Fotografie: Ersi Lazellari