Na vier jaar onderzoek lanceren TU/e, TNO en Smart Twin donderdag de Renovatieverkenner: een digitale tool die huiseigenaren helpt weloverwogen keuzes te maken over het verduurzamen van hun woning. Waar bestaande hulpmiddelen werken met statische gemiddelden en standaardwoningtypen, doorzoekt de Renovatieverkenner meer dan een biljoen mogelijke renovatiescenario’s op maat. De officiële lancering, inclusief open-source release van de broncode, vindt plaats tijdens een congres op 4 juni op de TU/e-campus in Eindhoven.
De tool is het resultaat van een project dat in 2022 van start ging onder leiding van Lisanne Havinga, universitair docent in de Building Performance-groep van de faculteit Built Environment aan de TU/e. Havinga combineert haar onderzoeksrol met een adviesfunctie bij Common Futures, een bureau gespecialiseerd in de energietransitie. Haar collega Roel Loonen was nauw betrokken bij het project en nam Havinga’s rol gedeeltelijk over tijdens haar zwangerschapsverlof.
Geen gemiddeld rijtjeshuis
De bestaande generatie renovatietools werkt met postcodes en bouwjaren: ze zoeken het dichtstbijzijnde gemiddelde woningtype op en doen op basis daarvan aanbevelingen. Dat levert beperkt bruikbare uitkomsten op, stellen de onderzoekers, omdat geen twee woningen identiek zijn.
De Renovatieverkenner laat de gebruiker het exacte verwarmingssysteem en de bouwkundige kenmerken van de eigen woning invoeren. Ook gedrag telt mee: verwarmt iemand alleen bepaalde kamers, of staat de thermostaat de hele dag aan? Laat de bewoner ‘s nachts het slaapkamerraam open? Die variabelen beïnvloeden de energieprestatie aanzienlijk en worden in bestaande tools doorgaans buiten beschouwing gelaten.
Daarnaast werkt de tool dynamisch in plaats van met maand- of jaargemiddelden. Luchtkwaliteit, netbelasting en gebruiksgedrag variëren doorlopend, en de Renovatieverkenner houdt daar rekening mee.
Machine learning op een laptop
Achter de tool zit een combinatie van bouwfysische simulaties en machine learning. Het energiebalanssimulatieprogramma berekent warmteoverdracht en andere relevante bouwfysica voor een groot aantal scenario’s. Die resultaten worden gebruikt om een machine learning-model te trainen dat vervolgens razendsnel nieuwe scenario’s kan voorspellen — ook op gewone consumentenhardware.
Opvallend is de omvang van het trainingsbestand: slechts zo’n 350.000 simulaties zijn voldoende om meer dan een biljoen renovatiescenario’s nauwkeurig te voorspellen. Alexis Cvetkov-Iliev, postdoctoraal onderzoeker en machine learning-expert bij de afdeling Wiskunde en Informatica van de TU/e, was verantwoordelijk voor dit onderdeel van het model.
Open source en breed beschikbaar
Een bewuste keuze in het project is de open-source release van de broncode. Ontwikkelaars kunnen de tool als basis gebruiken voor eigen implementaties, zonder dat de verdere ontwikkeling wordt gecommercialiseerd. Tijdens het congres op 4 juni komen adviseurs, woningcorporaties, aannemers, beleidsmakers en onderzoekers bijeen voor een live demo en een toelichting op de open-source opzet.
De Nederlandse overheid kondigde in april 2026 aan het project verder te financieren. De volgende fase, die op 1 juli start, richt zich op een buurtmodel voor gemeenten en uitbreiding met koelbehoefte, energieopslag en slimme gebouwbesturing. Het streven is een versie die op een overheidswebsite kan worden aangeboden, ondersteund door een nationale mediacampagne.
