Τεχνολογίες AI "πρασινίζουν" τα κτίρια
Τεχνολογίες AI "πρασινίζουν" τα κτίρια

Τεχνολογίες AI "πρασινίζουν" τα κτίρια

Η τεχνητή νοημοσύνη μπορεί να επιταχύνει την επίτευξη net-zero κτιρίων
Βάλια Πολίτη
05.02.2024

Η μηχανική μάθηση, η τεχνητή νοημοσύνη και τα μοντέλα που βασίζονται στη φυσική μπορούν να επιταχύνουν τις προσπάθειες προς καθαρές μηδενικές εκπομπές, παρέχοντας πάνω από 100 φορές αύξηση του ρυθμού και της κλίμακας της απαλλαγής από τον άνθρακα, σύμφωνα με τη διεθνή εταιρεία συμβούλων McKinsey.

Δεδομένου ότι τα κτίρια ευθύνονται για το 40% των παγκόσμιων εκπομπών άνθρακα,  απαιτείται μείωση των άμεσων εκπομπών των κτιρίων κατά 50% και των έμμεσων εκπομπών κατά 60% έως το 2030 για να επιτευχθεί ο στόχος των καθαρών μηδενικών εκπομπών έως το 2050, σύμφωνα με πρόσφατη έρευνα της McKinsey. Οι παραδοσιακές μέθοδοι απαλλαγής από τον άνθρακα, που περιλαμβάνουν φυσικούς ενεργειακούς ελέγχους και στρατηγικές για τη διασφάλιση κτιρίων με μηδενικές καθαρές εκπομπές, θεωρούνται επίπονες και δαπανηρές, ενώ η έλλειψη κεντρικού υπολογισμού και τυποποίησης συμβάλλει στην αντίληψη ότι η απαλλαγή από τον άνθρακα είναι ασύμφορη.

Σε σύγκριση με τους παραδοσιακούς ενεργειακούς ελέγχους και τις μελέτες για την επίτευξη net-zero, οι προσεγγίσεις που βασίζονται στην τεχνητή νοημοσύνη παρέχουν περισσότερο από 100 φορές αύξηση στον ρυθμό και την κλίμακα του σχεδιασμού της απεξάρτησης από τον άνθρακα, εξαλείφοντας την ανάγκη να βασιζόμαστε σε ασαφή αρχέτυπα κτιρίων, αναφέρει η έκθεση.

Αντιθέτως, μια προσέγγιση βασισμένη στην τεχνητή νοημοσύνη μπορεί να υποστηρίξει τη δημιουργία ουδέτερων έως θετικών αποδόσεων των επενδύσεων για χαρτοφυλάκια ακινήτων, υποθέτοντας την απουσία παραγόντων όπως η ενίσχυση της σχετικής νομοθεσίας, η τιμολόγηση του άνθρακα και τα πράσινα ασφάλιστρα στο ενοίκιο ή στην αποτίμηση ακινήτων. Η εφαρμογή μέτρων ενεργειακής απόδοσης και ηλεκτροδότησης για κάθε κτίριο, με παράλληλη βελτιστοποίηση της προμήθειας ενέργειας από ανανεώσιμες πηγές σε επίπεδο χαρτοφυλακίου, δίνει τη δυνατότητα στους ιδιοκτήτες και τους ενοίκους των κτιρίων να ανακτήσουν την επένδυσή τους πραγματοποιώντας εξοικονόμηση ενέργειας, βελτιστοποιώντας το κόστος κεφαλαίου τους και αποφεύγοντας τις ρυθμιστικές κυρώσεις.

Η McKinsey τόνισε ότι η επίτευξη των πιο αποτελεσματικών σχεδίων απεξάρτησης των κτιρίων από τον άνθρακα περιλαμβάνει συγκεκριμένες υπάρχουσες παραμέτρους που μπορούν να βελτιστοποιηθούν ουσιαστικά μέσω της χρήσης μεθόδων τεχνητής νοημοσύνης και μηχανικής μάθησης:

Αποτελεσματικός σχεδιασμός 

Οι ιδιοκτήτες μπορούν να εξασφαλίσουν συντονισμένα, ολοκληρωμένα σχέδια για ολόκληρο το χαρτοφυλάκιό τους, μέσω κοινών προμηθειών και σύνδεσης των στρατηγικών τους, σε αντίθεση με τα παραδοσιακά σχέδια απαλλαγής από τις εκπομπές που συχνά στοχεύουν σε επιλεγμένα κτίρια, με βάση τις εκπομπές ρύπων ή τους υπάρχοντες κανονισμούς.

Τα εξατομικευμένα σχέδια που λαμβάνουν υπόψη πτυχές όπως η διάταξη του κτιρίου και ο τύπος μόνωσης απαιτούνται για οικονομικά αποδοτική απεξάρτηση από τον άνθρακα. Κάθε κτίριο απαιτεί μια μοναδική στρατηγική που λαμβάνει υπόψη το σημείο εκκίνησης, τις τοπικές συνθήκες και τις ιδιαιτερότητες των περιουσιακών στοιχείων, όπως η σύνθεση των ενοικιαστών και οι δομές μίσθωσης.

Η αποφυγή σχεδίων που θέτουν σε κίνδυνο τα μακροπρόθεσμα αποτελέσματα είναι απαραίτητη. Οι εταιρείες πρέπει να λαμβάνουν ολοκληρωμένες αποφάσεις με έμφαση στο μέλλον, καθώς οι βραχυπρόθεσμες στρατηγικές μπορούν να αποβούν επικίνδυνες λόγω αυξημένου κόστους, ενώ παραβλέπουν συνέργειες όπως μέτρα μόνωσης που επηρεάζουν τις μελλοντικές απαιτήσεις HVAC.

Οι ασύνδετες προσεγγίσεις για την ενεργειακή απόδοση και την ηλεκτροδότηση εμποδίζουν την αποτελεσματικότητα, τονίζει η McKinsey. Η αποτυχία εκμετάλλευσης των αλληλεξαρτήσεων μπορεί να οδηγήσει σε πιο αργή και δαπανηρή προμήθεια ηλεκτρικής ενέργειας από ανανεώσιμες πηγές.

Τα σχέδια κτιρίων πρέπει να παρέχουν ακριβείς οδηγίες για τους διαχειριστές εγκαταστάσεων και να επιτρέπουν την εύκολη επικοινωνία μεταξύ των πωλητών και των ομάδων διαχείρισης εγκαταστάσεων, για να διασφαλιστεί η ταχύτερη εκτέλεση. Επιπλέον τα σχέδια πρέπει να είναι αρκετά συγκεκριμένα ώστε να προσφέρουν λεπτομερείς πληροφορίες για τον χρηματοοικονομικό προγραμματισμό, να περιλαμβάνουν καθαρούς μηδενικούς στόχους, προκλήσεις επενδύσεων κεφαλαίου, λειτουργικά κόστη, δυνητικό χρέος και την κατανομή του κόστους και των οφελών μεταξύ ιδιοκτητών κτιρίων και ενοικιαστών, έτσι ώστε οι επικεφαλής να μπορούν να κατανοήσουν το ακριβές κόστος για την επίτευξη καθαρών μηδενικών εκπομπών.

Υποστήριξη στην λήψη αποφάσεων 

Οι ιδιοκτήτες και οι φορείς εκμετάλλευσης μπορούν να ενσωματώσουν σχέδια απαλλαγής από τις εκπομπές του άνθρακα σε οργανωτικές λειτουργίες προσαρμόζοντας τις διαδικασίες, τα κίνητρα και τις δομές διακυβέρνησης. Αυτό περιλαμβάνει την ενημέρωση των κεφαλαιουχικών σχεδίων, τον προϋπολογισμό για συστήματα χαμηλών εκπομπών και την ενσωμάτωση αναλύσεων απαλλαγής από τον άνθρακα κατά τη διάρκεια εξαγορών νέων περιουσιακών στοιχείων.

Όπως τονίζει η έκθεση της διεθνούς εταιρείας συμβούλων, οι προκλήσεις απαλλαγής από τον άνθρακα, που σχετίζονται με την επέκταση των αλυσίδων εφοδιασμού για την κάλυψη της νέας ζήτησης και την εκπαίδευση ειδικευμένων εργαζομένων, είναι μερικοί από τους παράγοντες που  επηρεάζουν επίσης τη βιομηχανία. Όμως, σε αυτή την προσπάθεια, η υιοθέτηση μιας προσέγγισης πλήρους κύκλου ζωής που υποστηρίζεται από την τεχνητή νοημοσύνη απλοποιεί τον προγραμματισμό, επιταχύνει τις διαδικασίες και μειώνει το κόστος, επιτρέποντας σημαντική πρόοδο στην αντιμετώπιση των εκπομπών που σχετίζονται με τα κτίρια.