Bayesian Calibration of Using CO <sub>2</sub> Sensors to Assess Ventilation Conditions and Associated COVID-19 Airborne Aerosol Transmission Risk in Schools
Notice bibliographique
Résumé
Abstract Ventilation rate plays a significant role in preventing the airborne transmission of diseases in indoor spaces. Classrooms are a considerable challenge during the COVID-19 pandemic because of large occupancy density and mainly poor ventilation conditions. The indoor CO 2 level may be used as an index for estimating the ventilation rate and airborne infection risk. In this work, we analyzed a one-day measurement of CO 2 levels in three schools to estimate the ventilation rate and airborne infection risk. Sensitivity analysis and Bayesian calibration methods were applied to identify uncertainties and calibrate key parameters. The outdoor ventilation rate with a 95% confidence was 1.96 ± 0.31ACH for Room 1 with mechanical ventilation and fully open window, 0.40 ± 0.08 ACH for Rooms 2, and 0.79 ± 0.06 ACH for Room 3 with only windows open. A time-averaged CO 2 level < 450 ppm is equivalent to a ventilation rate > 10 ACH in all three rooms. We also defined the probability of the COVID-19 airborne infection risk associated with ventilation uncertainties. The outdoor ventilation threshold to prevent classroom COVID-19 aerosol spreading is between 3 – 8 ACH, and the CO 2 threshold is around 500 ppm of a school day (< 8 hr) for the three schools. Practical Implications The actual outdoor ventilation rate in a room cannot be easily measured, but it can be calculated by measuring the transient indoor CO 2 level. Uncertainty in input parameters can result in uncertainty in the calculated ventilation rate. Our three classrooms study shows that the estimated ventilation rate considering various input parameters’ uncertainties is between ± 8-20 %. As a result, the uncertainty of the ventilation rate contributes to the estimated COVID-19 airborne aerosol infection risk’s uncertainty up to ± 10 %. Other studies can apply the proposed Bayesian and MCMC method to estimating building ventilation rates and airborne aerosol infection risks based on actual measurement data such as CO 2 levels with uncertainties and sensitivity of input parameters identified. The outdoor ventilation rate and CO 2 threshold values as functions of exposure times could be used as the baseline models to develop correlations to be implemented by cheap/portable sensors to be applied in similar situations to monitor ventilation conditions and airborne risk levels.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».