Architektur

Deutsche Bauvorhaben unterliegen einer Vielzahl komplexer und dynamisch wandelnder Vorschriften, wodurch die Regelkomformitätsprüfungen zeitintensiv sind und häufig kostenintensive Expertengutachten erfordern. Dies verlangsamt und verstärkt Planungshemmnisse im Wohnungsbau.

Diese Forschungsarbeit untersucht eine Methodik zur KI-gestützten Überprüfung der Regelkonformität von digitalen Gebäudemodellen und kombiniert mit der Generierung von Gestaltungsvorschlägen auf Basis der Evaluationsergebnisse. Ziel ist die systematische Unterstützung von Architekturschaffenden in den frühen Entwicklungsphasen durch eine Abfolge von Bewertungen, Vorschlägen und Anpassungen zur Entwicklung regelkonformer Gebäude.

Die vorliegende Studie schlägt einen agentenbasierten Ansatz vor, der ein Multi-Agenten-System mit großen Sprachmodellen (Large Language Models, LLMs) und Retrieval-Augmented Generation (RAG) kombiniert, um regulatorische Texte zu interpretieren und graphbasierte BIM-Daten zu analysieren. Domänenspezifische Agenten arbeiten kooperativ zusammen, um kontextsensitive Regelkonformitätsbewertungen sowie konkrete Gestaltungsempfehlungen zu erzeugen, während ein Validierungsagent die  fachliche Plausibilität und Konsistenz der Vorschläge überprüft.

Ein Revit-Add-in in Form eines KI-Copiloten dient als Demonstrator zur Integration in reale Entwurfs- und Planungsprozesse. Erste Tests mit Architekturschaffenden zeigen, dass das System Regelkonformitätsprobleme identifizieren und fundierte Gestaltungsempfehlungen bereitstellen kann.

Die Bauindustrie ist stark von neuen Materialien abhängig, was zu einem hohen Ressourcenverbrauch führt. Altholz stellt eine nachhaltige Alternative dar, wurde jedoch aufgrund seiner variablen und heterogenen Eigenschaften bisher nur selten statisch genutzt. Das Projekt entwickelt datenbasierte Entwurfs- und Fertigungsprozesse, die Altholz effizient einsetzen und dessen lokale Eigenschaften bereits in der Entwurfsphase berücksichtigen – ein Beitrag zur Kreislaufwirtschaft und zur Reduzierung von Bauabfällen.

Hierzu wurde eine Methode entwickelt, die Materialanalysen, Datensatzgenerierung, maschinelles Lernen (ML), gleichgewichtsbasierten statischen Entwurf und digitale Fertigung integriert. ML-Modelle werden anhand von Materialdatensätzen aus physischen Proben trainiert, um die Druckfestigkeit durch zerstörungsfreie Tests vorherzusagen. Anstelle eines übergreifenden Kennwerts können so lokale Festigkeitsgradienten innerhalb der Holzelemente abgebildet werden, was präzisere statische Konzepte und gezielte Eingriffe in der Fertigung ermöglicht. Ziel ist es, die Nutzung von wiedergewonnenem Holz zu maximieren und nachhaltige Baupraktiken zu fördern.

Das Potenzial des Ansatzes wird durch einen sieben Meter langen Träger demonstriert. Die konzeptuelle Entwicklung und erste Tests erfolgten an der Universität Stuttgart und der Materialprüfanstalt, während die Umsetzung im Rahmen eines Forschungsaufenthalts bei Autodesk in Boston realisiert wurde.

Der Ansatz unterstützt nicht nur die Designforschung im Umgang mit heterogenen Altholzbeständen, sondern schlägt auch eine konzeptuelle Brücke zwischen wiederverwerteten Materialien und Co-Design-Praktiken. Durch die Einbettung von Materialintelligenz entlang der gesamten Pipeline von Entwurf bis Fertigung zeigt das Projekt einen ganzheitlichen Wandel im Umgang mit wiederverwerteten Materialien. „Reclaimed Design“ veranschaulicht damit, wie innovative, klimafreundliche Bauweisen realisiert und skaliert werden können

Next Use beschäftigt sich mit dem Leerstand ehemaliger Galeria-Kaufhof-Gebäude. Über Jahrzehnte prägten Warenhäuser das urbane Leben als Orte des Handels und der Begegnung. Mit den Schließungen der vergangenen Jahre ist dieses Modell weitgehend verschwunden. Zurück bleiben großflächige Gebäude in zentraler Lage, deren bauliche Präsenz ganze Stadträume prägt und deren Nachnutzung viele Kommunen vor große Herausforderungen stellt.

Vor diesem Hintergrund entstand das Projekt Next Use. Entwickelt wurde ein digitales Analysetool, das standortspezifische Daten auswertet und daraus konkrete Nachnutzungsvorschläge ableitet.

Es verknüpft demografische und wirtschaftliche Daten mit einer detaillierten Analyse des unmittelbaren Umfelds innerhalb eines 15-Minuten-Radius. Versorgungsangebote, Mobilitätsinfrastruktur, funktionale Cluster, die städtebauliche Einbindung sowie weitere Points of Interest fließen in die Analyse ein. Die Ergebnisse werden systematisch ausgewertet und auf Basis mehrerer Studien sowie städtebaulicher Prinzipien in konkrete, realitätsnahe Nutzungsvorschläge übersetzt.

Next Use richtet sich an Akteure der Stadtentwicklung, die vor der Aufgabe stehen, leerstehende Kaufhof-Gebäude sinnvoll weiterzuentwickeln. Ziel ist es, informierte Entscheidungen zu ermöglichen und die ehemaligen Warenhäuser nicht als Bürde, sondern als Potenzialflächen für eine nachhaltige Entwicklung innerstädtischer Räume zu begreifen.