Data-driven moving-window Bayesian inference for transient CO2–temperature network models of buildings

Los edificios no son cajas estáticas; son sistemas vivos que respiran, almacenan calor y reaccionan a las personas en su interior. Cada vez que una puerta se abre, una persona entra o una ventana se entorna, el aire en el interior se desplaza, transportando tanto calor como dióxido de carbono. Durante décadas, los ingenieros han intentado predecir cómo estos cambios afectan al confort interior, basándose en modelos que tratan el calor y la calidad del aire como problemas separados. Saben que las paredes conducen el calor y que las personas generan calor, pero a menudo tienen dificultades para rastrear las corrientes invisibles de aire que se mueven entre habitaciones, especialmente cuando los sensores son escasos o el comportamiento del edificio cambia repentinamente. El desafío ha sido crear un sistema que pueda aprender de datos limitados en tiempo real, distinguiendo entre un fallo de un sensor y un cambio genuino en el comportamiento del edificio, todo ello manteniendo los cálculos lo suficientemente rápidos como para ser útiles para controlar los sistemas de calefacción y refrigeración.

Un equipo de investigadores de la Universidad Tecnológica de Eindhoven ha desarrollado un nuevo enfoque que trata la temperatura de un edificio y sus niveles de dióxido de carbono como dos caras de la misma moneda. En lugar de observar el calor y la calidad del aire de forma aislada, crearon un modelo que los vincula a través de los impulsores invisibles del flujo de aire y la presencia humana. En este marco, el movimiento del aire es el hilo conductor: las mismas corrientes de aire que transportan el dióxido de carbono de una habitación a otra también transportan calor. Al observar cómo cambian tanto la temperatura como el dióxido de carbono a lo largo del tiempo, el sistema puede trabajar hacia atrás para deducir dónde están las personas, cómo se mueve el aire entre zonas y cómo el propio edificio almacena o libera energía. Este método no requiere una red densa de sensores costosos; funciona con los datos dispersos que suelen estar disponibles en los edificios de oficinas, utilizando una técnica llamada inferencia bayesiana de ventana móvil. Este enfoque observa una porción de tiempo reciente y corta —como una ventana de cuarenta minutos— en lugar de intentar analizar toda la historia del edificio a la vez. Esto permite que el modelo se adapte rápidamente cuando las condiciones cambian, como cuando una reunión termina y las personas se desplazan de una oficina pequeña a una sala de conferencias grande.

Para probar su idea, los investigadores construyeron primero una versión perfecta y generada por computadora de un edificio con cuatro oficinas pequeñas, dos salas de reuniones grandes y un pasillo de conexión. En este mundo simulado, conocían la verdad exacta: sabían exactamente cuántas personas había en cada habitación, exactamente qué tan rápido se movía el aire y exactamente cómo conducían el calor las paredes. Luego introdujeron errores de sensores realistas, imitando las ligeras imprecisiones que se encuentran en los sensores económicos del mundo real. Cuando ejecutaron su nuevo modelo contra estos datos, este reconstruyó con éxito los patrones ocultos de flujo de aire y ocupación. El modelo fue capaz de rastrear el movimiento de las personas desde las oficinas pequeñas hacia la sala de reuniones grande, ajustando sus estimaciones internas de corrientes de aire y almacenamiento de calor para coincidir con la nueva realidad. Crucialmente, cuando el sistema encontraba un cambio repentino que no había visto antes, no simplemente adivinaba; señalaba su incertidumbre. El rango de posibles respuestas se ampliaba, diciéndole efectivamente al usuario: "Aún no estoy seguro", hasta que fluían suficientes datos nuevos para confirmar el nuevo estado. Esta capacidad de cuantificar la duda es una característica clave, ya que evita que el sistema realice predicciones segues pero erróneas durante las transiciones caóticas.

Los investigadores compararon luego su modelo combinado con una versión más simple que solo observaba la temperatura. En el entorno perfecto y simulado, el modelo de solo temperatura funcionó razonablemente bien porque el calor y el dióxido de carbono estaban estrechamente vinculados por la física de la simulación. Sin embargo, el modelo combinado demostró ser superior en un aspecto específico: se adaptó mucho más rápido al cambio repentino de ocupación. Cuando las personas se movieron, el modelo que utilizaba datos de dióxido de carbono actualizó su comprensión del flujo de aire y del número de personas casi de inmediato, mientras que el modelo de solo temperatura se quedó rezagado. Esto sugirió que, incluso cuando se dispone de datos de temperatura, la capa adicional de información de dióxido de carbono ayuda al sistema a fijarse en la explicación correcta de lo que está sucediendo dentro del edificio con mayor rapidez.

Para ver si esto se mantenía en el mundo real, el equipo construyó un modelo físico a escala del mismo diseño de edificio. Utilizaron pequeños ventiladores para impulsar el aire entre las habitaciones y una fuente controlada de dióxido de carbono y calor para simular un grupo de personas reuniéndose en una habitación. A diferencia de la simulación por computadora perfecta, esta configuración física tenía imperfecciones del mundo real: el aire no se mezclaba perfectamente, los sensores tenían sus propias peculiaridades y el comportamiento del edificio no siempre coincidía exactamente con las ecuaciones teóricas. A pesar de estos desajustes, el modelo funcionó de manera impresionante. Rastreó con éxito el aumento y la disminución del dióxido de carbono y la temperatura a medida que la "gente" artificial encendía y apagaba su fuente. Más importante aún, el modelo combinado proporcionó una imagen mucho más clara de lo que estaba sucediendo que la versión de solo temperatura. En el experimento real, los datos de temperatura por sí solos llevaron al modelo a inventar fuentes de calor falsas en habitaciones donde no había nadie presente, tratando de explicar los cambios de temperatura con suposiciones incorrectas. Los datos de dióxido de carbono actuaron como un control de realidad, evitando estos errores y estrechando el rango de incertidumbre alrededor de las estimaciones del flujo de aire. El modelo aprendió que los cambios en la temperatura eran impulsados por la fuente conocida en la sala principal, no por fuentes de calor fantasma en otros lugares.

El estudio también exploró cómo el tamaño de la ventana de tiempo afectaba los resultados. Encontraron que el uso de una ventana de datos más larga generalmente mejoraba la precisión, suavizando el ruido y permitiendo al modelo distinguir mejor entre errores aleatorios de los sensores y tendencias reales. Sin embargo, si la ventana era demasiado larga, el modelo se volvía lento y tardaba en reaccionar ante cambios repentinos. El punto óptimo permitió que el sistema fuera tanto preciso como receptivo. Los investigadores también descubrieron que el modelo podía estimar el nivel de ruido de cada sensor individual. Si un sensor empezaba a fallar o si el comportamiento del edificio se desviaba significativamente de las expectativas del modelo, el sistema ampliaba automáticamente sus bandas de incertidumbre, señalando que los datos eran menos fiables de lo habitual.

Si bien los resultados son prometedores, los investigadores son cuidadosos al señalar las limitaciones. Su modelo asume que el aire en cada habitación está perfectamente mezclado, lo cual rara vez es cierto en la realidad; en una oficina real, el aire cerca de un conducto de ventilación podría ser más frío que el aire cerca de una ventana. También se centraron en un escenario simplificado donde la única fuente de calor eran las personas simuladas, ignorando otros factores comunes como la luz solar, las computadoras o la iluminación. En un edificio real, estas fuentes de calor adicionales podrían complicar el panorama, haciendo más difícil separar los efectos de las personas de los efectos del equipo. Los investigadores sugieren que el trabajo futuro deberá incorporar estos factores adicionales para que el modelo sea lo suficientemente robusto para un despliegue a gran escala. También reconocen que el método computacional actual, aunque efectivo, es exigente y podría necesitar ser optimizado antes de que pueda ejecutarse continuamente en los sistemas de control de edificios estándar.

En última instancia, este trabajo demuestra una nueva y poderosa forma de escuchar a un edificio. Al tratar la temperatura y el dióxido de carbono como un sistema acoplado, los investigadores han creado un método que puede inferir la dinámica invisible del flujo de aire y la ocupación a partir de datos limitados. Es una herramienta que no solo predice el futuro, sino que comprende el presente, adaptando su confianza a medida que el edificio cambia. Para los gestores de edificios de oficinas, esto podría significar un futuro donde los sistemas de calefacción y refrigeración respondan no solo a un termostato, sino al flujo real de personas y aire, ahorrando energía y mejorando el confort sin necesidad de instalar un sensor en cada rincón. El camino a seguir implica refinar estos modelos para que puedan manejar la realidad más desordenada y compleja de los edificios a gran escala, pero la idea central —que el aire y el calor cuentan la misma historia— ha demostrado funcionar.