Residentiële en commerciële gebouwen verbruiken 40% van de totale energie, 70% van de totale elektriciteit en zijn verantwoordelijk voor 41% van de uitstoot van broeikasgassen. Daarom is het belangrijk om energieverspilling in gebouwen te elimineren. De bewoners van deze gebouwen brengen 86% van hun tijd binnen door, waardoor de gebouwomgeving een grote impact heeft op hun welzijn. Het beheer van deze gebouwen gebeurt vandaag door modelgebaseerde oplossingen met deterministische besturingsalgoritmen. Er werden aanpakken met behulp van machine learning gedaan, waarbij echter de componenten van gebouwen individueel werden geoptimaliseerd. Een globale aanpak die verschillende bouwcomponenten tegelijkertijd optimaliseert, is nodig. Om dit realiseren, zijn 4 onderzoeksdoelstellingen gedefinieerd: 1) Ontwerp van BIM embedding om deze te gebruiken in machine learning. Zo kunnen hybride modellen worden gemaakt voor het optimaliseren van gebouwenbeheer; 2) Ontwerp van een aanwezigheidsdetectiemodel dat de omgevingssensorinformatie en BIM combineert. 3) Ontwerp van een contextbewust anomalie-detectiesysteem op basis van BIM en contextinformatie, om energieverliezen als gevolg van deze anomalieën en defecte sensoren op te sporen. 4) Op basis van de waargenomen aanwezigheid, anomalieën en verzamelde gebruikersfeedback, automatisch regels afleiden om het gebouw te optimaliseren voor energie en welzijn van de bewoners.