Energy Efficiency and Optimization Strategies in a Building to Minimize Airborne Infection Risks
Notice bibliographique
Résumé
Heating, ventilation, and air conditioning (HVAC) systems play a crucial role in either increasing or decreasing the risk of airborne disease transmission. High ventilation, for instance, is a common method used to control and reduce the infection risk of airborne diseases such as COVID-19. On the other hand, high ventilation will increase energy consumption and cost. This paper proposes an optimal HVAC controller to assess the trade-off between energy consumption and indoor infection risk of COVID-19. To achieve this goal, a nonlinear model predictive controller (NMPC) is designed to control the HVAC systems of a university building to minimize the risk of COVID-19 transmission while reducing building energy consumption. The NMPC controller uses dynamic models to predict future outputs while meeting system constraints. To this end, a set of dynamic physics-based models are created to capture heat transfer and conservation of mass, which are used in the NMPC controller. Then, the developed models are experimentally validated by conducting experiments in the ETLC building at the University of Alberta, Canada. A classroom in the building is equipped with a number of sensors to measure indoor and outdoor environmental parameters such as temperature, relative humidity, and CO2 concentration. The validation results show that the model can predict room temperature and CO2 concentration by 0.8%, and 2.4% mean absolute average errors, respectively. Based on the validated models, the NMPC controller is designed to calculate the optimal airflow and supply air temperature for every 15 min. The results for real case studies show that the NMPC controller can reduce the infection risk of COVID-19 transmission below 1% while reducing energy consumption by 55% when compared to the existing building controller.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».