Integration of innovative energy efficient technologies in buildings and neighborhoods

Abstract

This thesis develops and evaluates an innovative Knowledge Graph (KG)-based architecture integrated within a Digital Twin (DT) framework, designed to advance data and knowledge management capabilities at the building and neighborhood scale. Motivated by the limitations of traditional data handling, particularly in dealing with semantically fragmented and dynamic urban data, the proposed architecture leverages tailored ontologies that establish interconnected relationships and hierarchical structures. This enables semantic interoperability, contextualized reasoning, and integration of static and real-time data streams. The core innovation lies in uniting semantic KGs within a DT framework to support stakeholder-driven decision-making. Unlike conventional approaches that struggle with disconnected and incompatible data, the KG-DT architecture provides a structured, machine-interpretable model of building and neighborhood-level processes. It facilitates end-to-end data contextualization, advanced querying, and transparent analysis of retrofit scenarios. SPARQL-based querying is a central feature, allowing users to extract insights on material properties, energy performance, and scenario outcomes without manual filtering or simulation reruns. Two case studies demonstrate the approach's practical effectiveness. The first involved the integration of paraffin-based phase-change materials (PCMs) in gypsum and cement boards, combining experimental testing with EnergyPlus simulations. Results confirmed improved thermal performance and up to 22.3% energy savings for high-PCM gypsum boards, especially under hysteresis modeling. The second case study applied LCC and LCA analyses to evaluate 17 PV + battery scenarios at a university campus. The optimal configuration, combining bi-facial PV modules with lithium-ion battery storage under a self-consumption strategy, achieved the best balance between economic and environmental performance. Both cases required tailored ontologies: a lightweight material-focused model for Leaf House, and a modular, extensible structure based on Brick and SAREF for the TUC campus. The KG was populated using a combination of measured data, simulations, sensor metadata, and performance indicators. Overall, the KG-DT framework provides a scalable and semantically aligned decision support system, enabling transparent, data-driven planning for sustainable neighborhood renovations and future smart city applications.

Η παρούσα διατριβή αναπτύσσει και αξιολογεί μια καινοτόμο αρχιτεκτονική βασισμένη σε Γράφους Γνώσης (Knowledge Graph - KG), ενσωματωμένη σε ένα πλαίσιο Ψηφιακού Διδύμου (Digital Twin - DT), σχεδιασμένη για την ενίσχυση των δυνατοτήτων διαχείρισης δεδομένων και γνώσης σε κλίμακα κτιρίου και γειτονιάς. Κίνητρο αποτέλεσαν οι περιορισμοί των παραδοσιακών μεθόδων διαχείρισης δεδομένων, ιδιαίτερα στην αντιμετώπιση αποσπασματικής και δυναμικής αστικής πληροφορίας. Η προτεινόμενη αρχιτεκτονική αξιοποιεί προσαρμοσμένα οντολογικά μοντέλα που θεμελιώνουν διασυνδεδεμένες σχέσεις και ιεραρχικές δομές, επιτρέποντας σημασιολογική διαλειτουργικότητα, συγκειμενοποιημένη συλλογιστική και ενοποίηση στατικών και δυναμικών ροών δεδομένων. Ο βασικός πυρήνας της καινοτομίας έγκειται στην ενσωμάτωση σημασιολογικών Γράφων Γνώσης εντός ενός πλαισίου Ψηφιακού Διδύμου, ώστε να υποστηρίζεται η λήψη αποφάσεων από εμπλεκόμενους φορείς (stakeholders). Σε αντίθεση με τις συμβατικές προσεγγίσεις που δυσκολεύονται να διαχειριστούν ασύνδετα ή μη συμβατά δεδομένα, η αρχιτεκτονική KG-DT προσφέρει ένα δομημένο, μηχανικά αναγνώσιμο μοντέλο για τις διαδικασίες σε επίπεδο κτιρίου και γειτονιάς. Υποστηρίζει την πλήρη συγκειμενοποίηση δεδομένων, προηγμένα ερωτήματα και διαφανή ανάλυση σεναρίων ανακαίνισης. Κεντρικό χαρακτηριστικό αποτελεί η χρήση SPARQL, που επιτρέπει στους χρήστες να εξάγουν πληροφορίες για ιδιότητες υλικών, ενεργειακή απόδοση και αποτελέσματα σεναρίων χωρίς χειροκίνητο φιλτράρισμα ή επανεκτέλεση προσομοιώσεων. Δύο μελέτες περίπτωσης τεκμηριώνουν την πρακτική αποτελεσματικότητα της προσέγγισης. Η πρώτη αφορά την ενσωμάτωση παραφινικών υλικών αλλαγής φάσης (PCM) σε γυψοσανίδες και τσιμεντοσανίδες, συνδυάζοντας πειραματικές μετρήσεις με προσομοιώσεις EnergyPlus. Τα αποτελέσματα επιβεβαίωσαν βελτιωμένη θερμική απόδοση και εξοικονόμηση ενέργειας έως και 22,3% για γυψοσανίδες με υψηλή περιεκτικότητα σε PCM, ειδικά όταν λαμβάνονται υπόψη τα φαινόμενα υστέρησης. Η δεύτερη μελέτη περιλάμβανε αξιολογήσεις Κόστους Κύκλου Ζωής (LCC) και Περιβαλλοντικού Αποτυπώματος Κύκλου Ζωής (LCA) για 17 σενάρια εγκατάστασης φωτοβολταϊκών και μπαταριών σε πανεπιστημιακή πανεπιστημιούπολη. Το βέλτιστο σενάριο, με διπλής όψεως φωτοβολταϊκά πάνελ και αποθήκευση ενέργειας σε μπαταρίες ιόντων λιθίου υπό στρατηγική αυτοκατανάλωσης, πέτυχε την βέλτιστη ισορροπία μεταξύ οικονομικής αποδοτικότητας και περιβαλλοντικής επίδοσης. Και στις δύο περιπτώσεις χρησιμοποιήθηκαν προσαρμοσμένες οντολογίες: ένα ελαφρύ, υλικοκεντρικό μοντέλο για το Leaf House και μια επεκτάσιμη, αρθρωτή δομή βασισμένη στα Brick και SAREF για την περίπτωση της πανεπιστημιούπολης του Πολυτεχνείου Κρήτης (TUC). Ο KG εμπλουτίστηκε με πειραματικά δεδομένα, αποτελέσματα προσομοιώσεων, μεταδεδομένα αισθητήρων και βασικούς δείκτες απόδοσης (KPIs). Συνολικά, το KG-DT πλαίσιο παρέχει ένα επεκτάσιμο και σημασιολογικά εναρμονισμένο σύστημα υποστήριξης αποφάσεων, επιτρέποντας διαφανή, τεκμηριωμένο σχεδιασμό για βιώσιμες ανακαινίσεις γειτονιών και εφαρμογές σε μελλοντικές έξυπνες πόλεις.