Evaluating the Benefits of Indoor Air Quality Forecasting for Controlling Particle Filter Systems
Notice bibliographique
Résumé
Predicting future concentrations of fine particulate matter (PM 2.5 ) and other indoor air pollutants using machine learning is an increasingly frequent topic of research. Although prediction has several proposed applications, the potential benefit has remained largely unevaluated. This study examines whether prediction can improve how particle filter systems such as portable air cleaners are automated by comparing a model predictive control (MPC) strategy with a traditional threshold-based control (TBC) strategy. The MPC controller is designed to optimize the balance between mean reduction in PM 2.5 concentration (i.e., keep concentrations as low as possible following health-based guidance) and reductions in system runtime. These two parameters are compared for both control strategies using 104 simulations of week-long continuous PM 2.5 measurements in occupied apartments. Our findings suggest that there is no meaningful difference in performance between the two control strategies. Additionally, we find only a marginal improvement in performance for MPC controllers that operate using longer prediction horizons. Given the numerous challenges associated with accurately predicting future PM 2.5 concentrations, as well as the additional challenges associated with implementing MPC, controlling particle filter systems may not be an appropriate application for prediction given the lack of benefit over TBC. We would recommend that particle filter systems continue to be controlled using nonpredictive strategies such as TBC, and that prediction tools be used for other applications or adapted to different areas of indoor air quality research and practice.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».