Interview

Dit is het tweede interview in onze serie over het duurzame De-Cist project. Het project Developing Energy Communities with Intelligent and Sustainable Technologies (DE-CIST) wordt geleid door Dr. Rebecca Moody (EUR) en verenigt de Erasmus Universiteit Rotterdam, TU Delft, Institute of Housing and Urban Development Studies, Resilient Delta Initiative, Erasmus Centre for Data Analytics en de gemeente Rotterdam. Gesteund door ICLEI Europe met een Google.org-subsidie van 1 miljoen euro spreken we met Pablo Morato, een postdoctoraal onderzoeker aan de TU Delft, over een AI-tool die Rotterdam helpt het energieverbruik van gebouwen te verminderen.

Het De-Cist project en Morato’s rol

Het De-Cist project heeft als doel de energie-efficiëntie in stedelijke gebieden te verbeteren, waarbij de focus ligt op het aanpassen van Rotterdamse gebouwen om het energieverbruik te verminderen. Het project verzamelt gegevens over individuele gebouwen en combineert die met meteorologische, luchtkwaliteits-, emissie- en sociaaleconomische gegevens om uitgebreide profielen op te stellen. “Veel oudere gebouwen zijn slecht geïsoleerd, wat leidt tot overmatig energieverbruik voor verwarming en koeling”, legt Morato uit. “Ons doel is om een AI-tool te ontwikkelen die besluitvormers – gemeenten, gebouweigenaren of burgers – helpt om de beste retrofitoplossingen te vinden.”

Als postdoctoraal onderzoeker aan de TU Delft is Morato’s belangrijkste verantwoordelijkheid het ontwikkelen van deze AI-beslissingsondersteunende tool. Samen met een team – Seyran Khademi, Anna Maria Koniari en Charalampos Andriotis – hebben ze een systeem ontwikkeld dat gegevens van gebouwen analyseert – waaronder typologie, ouderdom en materialen – om passende oplossingen voor te stellen, zoals betere isolatie of verbeterde beglazing. Het uiteindelijke doel is om energie-efficiënte renovaties toegankelijker te maken en makkelijker te implementeren in het diverse gebouwenbestand van Rotterdam.

Van scheepsbouwkunde tot stedelijke energie-efficiëntie

Morato’s academische reis begon in Spanje met scheepsbouwkunde, gespecialiseerd in structuren en hydrodynamica. Zijn carrière verschoof vervolgens naar offshore windenergie voordat hij zich ging richten op energieverbruik. “Ook al is dit een nieuw vakgebied voor mij, veel rekenmethoden die ik eerder heb gebruikt, zoals optimalisatiealgoritmen, zijn ook toepasbaar op dit project,” merkt hij op.

Hoe de AI-tool werkt

De tool integreert meerdere gegevensbronnen, waaronder bestaande gebouwgegevens en informatie over energie-efficiëntie. Het evalueert de huidige energievraag van een gebouw en voorspelt veranderingen na het implementeren van verschillende retrofitoplossingen. De AI optimaliseert vervolgens de keuzes door energiebesparingen af te wegen tegen economische en sociale factoren.
“We richten ons voornamelijk op de gebouwschil – buitenmuren, dak, ramen en vloeren”, legt Morato uit. “We analyseren bijvoorbeeld verschillende soorten isolatie of beglazingsopties voor ramen.”

Uitdagingen in ontwikkeling

Toegang tot en beheer van gegevens bleken belangrijke hindernissen te zijn. “Nederland heeft veel open data, wat geweldig is, maar het is verspreid over verschillende bronnen,” zegt Morato. Voor sommige gevoelige gegevens, zoals luchtfoto’s van gebouwen, waren fysieke overdrachten op gemeentekantoren nodig. “Het vinden en structureren van de juiste gegevens was eigenlijk een grotere uitdaging dan de AI-modellering zelf.”
Een andere uitdaging was het opnemen van sociaaleconomische factoren in het besluitvormingsproces. “Energie-efficiëntie is niet alleen een technisch probleem, maar ook een financieel en sociaal probleem. Maar gegevens over sociaaleconomische aspecten zijn niet altijd beschikbaar op gebouwniveau, dus moesten we creatieve manieren vinden om ze te integreren.”

De transdisciplinaire ervaring

Samenwerken met sociale wetenschappers was nieuw voor Morato. “In het begin was communicatie een uitdaging – we spreken verschillende ‘talen’ bij het formuleren van problemen”, zegt hij. De samenwerking veranderde zijn aanpak: “In engineering vertrouwen we op cijfers en optimalisatiemodellen. Maar sociale wetenschappers leerden ons dat beslissingen in de echte wereld niet puur uit cijfers bestaan.” Dit inzicht leidde tot praktische verbeteringen zoals het toevoegen van functies voor budgetbeperkingen.

Aanpassen aan gebruikersbehoeften

Het project vereiste flexibiliteit. “Bij de meeste technische projecten definieer je de vereisten vooraf. Hier passen we ons voortdurend aan,” merkt Morato op. Op basis van feedback uit enquêtes verbeterde het team de gebruiksvriendelijkheid en het financiële realiteitsgevoel. “Dat iteratieve proces is niet gebruikelijk in technisch onderzoek, maar het maakte onze tool praktischer.”

Ambities voor de toekomst

Morato hoopt dat de tool een waardevolle bron wordt voor gemeenten en burgers die de energie-efficiëntie van gebouwen willen verbeteren. “Meer in het algemeen hoop ik dat dit project als model dient voor transdisciplinair onderzoek. Het is niet altijd gemakkelijk om vakoverschrijdend te werken, maar het levert wel betere en impactvollere oplossingen op.”

De ervaring heeft zijn perspectief beïnvloed. “Dit project heeft de manier beïnvloed waarop ik mijn onderzoeksaanpak presenteer,” besluit hij. Het DE-CIST project is een voorbeeld van hoe datawetenschap en kunstmatige intelligentie kunnen worden toegepast met een sociale context om urgente stedelijke duurzaamheidsuitdagingen aan te pakken op manieren die zowel technisch verantwoord als maatschappelijk relevant zijn.