Microbiome-Aware HVAC Control in Green Buildings Using Reinforcement Learning
यह शोध पत्र एक ओपन-सोर्स, सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) आधारित HVAC नियंत्रण प्रणाली प्रस्तुत करता है जो ऊर्जा की खपत को कम करते हुए इनडोर माइक्रोबायोम स्थिरता को बढ़ाने के लिए वेंटिलेशन और आर्द्रता को अनुकूलित करती है, जो वर्तमान भवन मानकों को चुनौती देती है जो सूक्ष्मजीव विविधता के बजाय मोल्ड (फफूंद) के दमन को प्राथमिकता देते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
हम में से अधिकांश अपना अधिकांश जीवन इमारतों के भीतर बिताते हैं। हम सोते हैं, काम करते हैं, और उन स्थानों पर इकट्ठा होते हैं जहाँ हवा को उन यांत्रिक प्रणालियों द्वारा प्रबंधित किया जाता है जो हमें आरामदायक और सुरक्षित रखने के लिए डिज़ाइन की गई हैं। दशकों से, इस इनडोर वायु की गुणवत्ता को आंकने का मानक रासायनिक प्रदूषकों और ऊर्जा उपयोग पर केंद्रित रहा है। उदाहरण के लिए, ग्रीन बिल्डिंग (हरित भवनों) के प्रमाणन यह मापते हैं कि एक संरचना कार्बन डाइऑक्साइड, धूल और वाष्पशील रसायनों को कितनी अच्छी तरह फ़िल्टर करती है, जबकि यह भी ट्रैक करते हैं कि ठंडा या गर्म रहने के लिए यह कितनी बिजली की खपत करती है। ये उपाय सुरक्षा के लिए महत्वपूर्ण हैं, लेकिन वे कहानी का केवल एक हिस्सा बताते हैं। वे उस अदृश्य, जीवित दुनिया को अनदेखा कर देते हैं जो हमारी दीवारों के भीतर फलती-फूलती है: माइक्रोबायोम (सूक्ष्मजीव समूह)। यह बैक्टीरिया, कवक और अन्य सूक्ष्मजीवों का एक जटिल समुदाय है जो हमारे द्वारा सांस ली जाने वाली हवा में घूमता रहता है। जिस तरह एक जंगल की मिट्टी में जीवन का एक विशिष्ट संतुलन होता है जो पारिस्थितिकी तंत्र को स्वस्थ रखता है, उसी तरह एक इमारत के भीतर की हवा में भी अपना स्वयं का सूक्ष्मजीव समुदाय होता है, जो हमारे स्वास्थ्य, हमारे प्रतिरक्षा तंत्र से लेकर हमारे श्वसन संबंधी कल्याण तक, को प्रभावित कर सकता है।
अब तक, हमारी इनडोर हवा को नियंत्रित करने वाली तकनीक ने इस जैविक परत को काफी हदना तक अनदेखा किया है। हीटिंग और कूलिंग सिस्टम तापमान और आर्द्रता (humidity) को रासायनिक सेंसरों के आधार पर प्रबंधित करने के लिए ट्यून किए जाते हैं, न कि सूक्ष्मजीव पारिस्थितिकी तंत्र के स्वास्थ्य के आधार पर। प्रदीप थोराट का एक नया अध्ययन एक अलग तरह की सोच पेश करता है, यह प्रस्तावित करते हुए कि हम अपनी इमारतों की हवा को सूक्ष्मजीवों के एक स्थिर, स्वस्थ समुदाय का समर्थन करने के लिए प्रबंधित कर सकते हैं और हमें ऐसा करना भी चाहिए। यह शोध वास्तविक इमारत में भौतिक प्रयोगों पर निर्भर नहीं है, बल्कि इसके बजाय एक परिष्कृत कंप्यूटर सिमुलेशन का उपयोग करके एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) का परीक्षण करता है। यह AI एक बिल्डिंग मैनेजर की तरह कार्य करता है, जो वेंटिलेशन और वायु प्रवाह को लगातार समायोजित करता है ताकि यह देखा जा सके कि क्या वह इन सूक्ष्मजीव जीवन रूपों के लिए एक बेहतर वातावरण बना सकता है, और साथ ही ऊर्जा की बचत भी कर सकता है। लक्ष्य केवल हवा को रसायनों से साफ रखने से आगे बढ़कर सक्रिय रूप से एक संतुलित जैविक वातावरण को पोषित करना है।
शोधकर्ताओं ने एक तीन-ज़ोन वाले कार्यालय भवन का डिजिटल मॉडल बनाया, जिसमें एक कार्यालय, एक कॉन्फ्रेंस रूम और एक लॉबी शामिल थी। उन्होंने इस आभासी इमारत को इस तरह प्रोग्राम किया कि वह नकल कर सके कि हवा कैसे चलती है, आर्द्रता कैसे बदलती है, और उन स्थितियों के जवाब में सूक्ष्मजीव आबादी कैसे बढ़ती और बदलती है। अपने सिस्टम की सफलता को मापने के लिए, उन्होंने एक नया मीट्रिक बनाया जिसे 'माइक्रोबायोम स्टेबिलिटी इंडेक्स' (Microbiome Stability Index) कहा गया। इस इंडेक्स को एक स्कोर के रूपas देखें जो सूक्ष्मजीव समुदाय के कितने संतुलित और विविध होने को दर्शाता है, जबकि हानिकारक रोगजनकों (pathogens) के हावी होने या जनसंख्या के अत्यधिक उतार-चढ़ाव वाली स्थितियों को दंडित करता है। स्कोर जितना अधिक होगा, हवा उतनी ही स्थिर और स्वस्थ मानी जाएगी। टीम ने फिर एक 'रिनफोर्समेंट लर्निंग एजेंट' (reinforcement learning agent) को प्रशिक्षित किया, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है जो प्रयास और त्रुटि (trial and error) के माध्यम से सीखता है, ताकि वह इमारत के वेंटिलेशन को नियंत्रित कर सके। AI का काम यह तय करना था कि कितनी ताजी हवा अंदर लाई जाए, जिससे ताजी हवा लाने की ऊर्जा लागत के विरुद्ध उच्च स्थिरता स्कोर प्राप्त करने के बीच संतुलन बनाया जा सके।
इन सिमुलेशन के परिणामों ने हमारे इनडोर वायु प्रबंधन के बारे में एक आश्चर्यजनक सत्य प्रकट किया। AI-नियंत्रित सिस्टम ने पारंपरिक पद्धति की तुलना में उच्च स्थिरता स्कोर प्राप्त किया, जो निरंतर चलने वाले एक निश्चित वेंटिलेशन पर निर्भर करती है। जबकि मानक दृष्टिकोण प्रति घंटे दो वायु परिवर्तनों (air changes) की स्थिर दर बनाए रखता था, AI ने बहुत अधिक गतिशील होना सीखा। इसने औसत वेंटिलेशन को घटाकर केवल 1.30 वायु परिवर्तन प्रति घंटा कर दिया, फिर भी इसने सूक्ष्मजीव समुदाय की स्थिरता में 1.2 प्रतिशत का सुधार किया। यह खोज इस सामान्य धारणा को चुनौती देती है कि वायु गुणवत्ता के लिए अधिक वेंटिलेशन हमेशा बेहतर होता है। AI ने सीखा कि ताजी हवा कब लानी है और ऊर्जा कब बचानी है, इसे सावधानीपूर्वक समयबद्ध करके, वह कम प्रयास के साथ एक स्वस्थ जैविक वातावरण बनाए रख सकता है। सिस्टम विशेष रूप से स्थिरता स्कोर गिरने पर वेंटिलेशन को आक्रामक रूप से बढ़ाने के दौरान प्रभावी रहा।
इस अध्ययन में सबसे चौंकाने वाली खोज आर्द्रता (humidity) से संबंधित थी। वर्तमान बिल्डिंग मानक आम तौर पर मोल्ड (फफूंद) के विकास और डस्ट माइट्स को रोकने के लिए सापेक्ष आर्द्रता को 40 और 60 प्रतिशत के बीच रखने की सिफारिश करते हैं। हालांकि, सिमुलेशन ने दिखाया कि जैसे-जैसे आर्द्रता बढ़ी, सूक्ष्मजीव समुदाय की स्थिरता वास्तव में बढ़ गई, जो 80 प्रतिशत पर अपने शिखर पर पहुँच गई। यह सुझाव देता है कि वर्तमान दिशानिर्देश, जो मोल्ड को दबाने को प्राथमिकता देते हैं, अनजाने में व्यापक सूक्ष्मजीव पारिस्थितिकी तंत्र की विविधता और स्थिरता को सीमित कर रहे होंगे। डेटा ने उच्च आर्द्रता और अधिक स्थिर माइक्रोबायोम के बीच एक मजबूत, सकारात्मक संबंध का संकेत दिया, जो हवा को सूखा रखने के पारंपरिक फोकस का खंडन करता है। शोधकर्ताओं ने उल्लेख किया कि हालांकि 80 प्रतिशत आर्द्रता मोल्ड को रोकने के लिए अधिक लग सकती है, लेकिन इस विशिष्ट मॉडल में एक संतुलित सूक्ष्मजीव समुदाय को बनाए रखने के लिए यह सबसे उपयुक्त बिंदु (sweet spot) प्रतीत होता है।
अध्ययन ने यह भी रेखांकित किया कि इस जैविक संतुलन को प्रबंधित करने के मामले में सभी इमारतें या जलवायु एक समान नहीं होती हैं। सिमुलेशन ने दिखाया कि तटीय और उष्णकटिबंधीय आर्द्र जलवायु वाली इमारतें स्वाभाविक रूप से एक स्थिर माइक्रोबायोम को बनाए रखने में बेहतर थीं, जिन्हें उच्च स्कोर बनाए रखने के लिए कम ऊर्जा की आवश्यकता थी। इसके विपरीत, शुष्क रेगिस्तानी और ठंडी-शुष्क जलवायु ने एक भारी दंड (penalty) लगाया, जिससे समान स्तर की स्थिरता प्राप्त करना बहुत कठिन और अधिक ऊर्जा-गहन हो गया। यह सुझाव देता है कि इनडोर वायु गुणवत्ता के प्रबंधन के लिए एक एकल, सार्वभौमिक नियम हर जगह काम नहीं कर सकता है। AI ने यह भी प्रदर्शित किया कि एक ही इमारत के भीतर विभिन्न कमरों को स्थिरता के समान स्तर तक पहुँचने के लिए अलग-अलग मात्रा में ऊर्जा की आवश्यकता होती है। उदाहरण के लिए, सिमुलेशन में कार्यालय स्थान को छोटे कॉन्फ्रेंस रूम की तुलना में दोगुना ऊर्जा की आवश्यकता पड़ी, केवल आयतन (volume) और वायु प्रवाह गतिकी में अंतर के कारण। यह एक ऐसे भविष्य की ओर इशारा करता है जहाँ बिल्डिंग कंट्रोल्स अत्यधिक अनुकूलित (customized) होंगे, जो प्रत्येक कमरे की विशिष्ट आवश्यकताओं और स्थानीय जलवायु के अनुसार समायोजित होंगे।
हालांकि परिणाम उत्साहजनक हैं, शोधकर्ता सावधानी बरतते हुए कहते हैं कि ये निष्कर्ष एक कंप्यूटर सिमुलेशन से आए हैं, न कि किसी भौतिक इमारत से। मॉडल ने कई सरलीकरण किए, जैसे कि स्थिर तापमान मानना और प्रत्येक कमरे में हवा को एक पूरी तरह से मिश्रित पदार्थ के रूप में मानना, जो डेस्क या खिड़कियों के आसपास के जटिल सूक्ष्म-वातावरणों को ध्यान में नहीं रखता है। स्थिरता स्कोर की गणना के लिए उपयोग किया गया फॉर्मूला निश्चित भार (fixed weights) पर आधारित था जिसे विभिन्न प्रकार की इमारतों या मौसमों के लिए समायोजित करने की आवश्यकता हो सकती है। इन सीमाओं के बावजूद, यह अध्ययन एक महत्वपूर्ण 'प्रूफ ऑफ कॉन्सेप्ट' प्रदान करता है। यह प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस का उपयोग करके इनडोर वायु की जैविक गुणवत्ता को प्रबंधित करना संभव है, जो पारंपरिक प्रणालियों के मुकाबले स्वास्थ्य और ऊर्जा दक्षता के बीच संतुलन बना सकता है। यह कार्य सुझाव देता है कि अगली पीढ़ी की ग्रीन बिल्डिंग केवल ऊर्जा बचाने या रसायनों को फिल्टर करने के बारे में नहीं होगी, बल्कि अंदर के लोगों के लिए एक स्वस्थ, जीवित वातावरण को सक्रिय रूप से विकसित करने के बारे में होगी।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।