Occupant-centric demand-controlled ventilation strategy for airport terminals using Wi-Fi data and CFD simulations
Notice bibliographique
Résumé
• Developed a Wi-Fi–based approach to capture occupants’ spatial distribution. • Proposed a ventilation reset algorithm to maintain IAQ, using Wi-Fi data. • Evaluate the framework by generating CFD scenarios for an airport terminal. Maintaining indoor air quality (IAQ) while saving energy is a key challenge in building ventilation. In airport terminals, this challenge is amplified by the interplay between human activity, IAQ, and energy use. The study utilized Wi-Fi data to estimate occupant distribution scenarios, employing combination-based clustering to develop an occupant-centric Demand-Controlled Ventilation (DCV) framework for airport terminals. The CO₂ setpoint was determined following ASHRAE Guideline 36, and Computational Fluid Dynamics (CFD) simulations were performed for various occupant distributions to estimate the minimum outdoor air required to maintain IAQ across the terminal. A mixing box model was applied at diffuser boundaries to represent air recirculation effects. Based on these results, a dynamic ventilation reset algorithm was developed to adjust the outdoor air setpoint according to the spatiotemporal distribution of occupants. Results showed that occupant spatial dynamics have a strong influence on IAQ, with higher outdoor air percentages improving ventilation effectiveness but reducing uniformity. Integrating Wi-Fi–based occupant data enabled more responsive and energy-efficient DCV control. The method reduced average daily coil energy consumption by 23%, with thermal load variations from −26% at low occupancy to +360% at full occupancy. This approach is particularly suitable for large spaces such as airport terminals lacking CO₂ sensors but equipped with Wi-Fi infrastructure.
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 | 0,000 | 0,000 |
| 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 ».