🤖 AI

Thermal transmittance prediction based on the application of artificial neural networks on heat flux method results

Autori originali: Sanjin Gumbarević, Bojan Milovanović, Mergim Gaši, Marina Bagarić

Pubblicato 2026-05-25

📖 5 min di lettura🧠 Approfondimento

Autori originali: Sanjin Gumbarević, Bojan Milovanović, Mergim Gaši, Marina Bagarić

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di possedere una casa vecchia e di volerla rendere energeticamente efficiente. Per farlo, devi sapere quanto bene le tue pareti trattengono il calore all'interno. Questa capacità di "perdita di calore" è chiamata valore U.

Di solito, per misurare questo, devi attaccare un sensore speciale (un sensore di flusso termico) alla parete e lasciarlo lì per giorni, forse anche due settimane. È come aspettare che uno stufato lento sia pronto; non puoi affrettarlo, o i risultati saranno errati. Questo richiede molto tempo, costa denaro ed è fastidioso se vuoi testare molte pareti diverse in un edificio.

Questo articolo si pone una domanda semplice: Possiamo usare un "cervello informatico intelligente" (Reti Neurali Artificiali) per indovinare cosa avrebbe misurato il sensore, così da non doverlo lasciare sulla parete per così tanto tempo?

Ecco come hanno cercato di risolverlo, utilizzando alcune analogie quotidiane:

La Configurazione: Il Meteo e la Parete

I ricercatori hanno posizionato un sensore su una parete per misurare tre cose:

Quanto è calda la temperatura all'interno della stanza.
Quanto è fredda la temperatura all'esterno.
Quanto calore sta effettivamente fluendo attraverso la parete.

Hanno raccolto dati ogni 10 minuti per circa 3 giorni. Pensa a questo come alla registrazione di una "ricetta" di come la parete reagisce al meteo.

Il "Cervello Intelligente" (L'IA)

Hanno addestrato quattro diversi tipi di "cervelli intelligenti" (Reti Neurali Artificiali) per imparare questa ricetta. L'obiettivo era insegnare al cervello: "Se l'interno è a questa temperatura e l'esterno è a quella temperatura, quanto calore dovrebbe fluire attraverso la parete?"

Hanno testato quattro diverse "architetture cerebrali":

Il Cervello Semplice (MLP): Un pensatore di base e diretto.
Il Cervello Memoria 1 (LSTM): Un pensatore con una memoria a lungo termine, bravo a ricordare cosa è successo un po' di tempo fa.
Il Cervello Memoria 2 (GRU): Un tipo leggermente diverso di pensatore con memoria, un po' più snello.
Il Cervello Ibrido (LSTM + GRU): Una squadra in cui una parte ha una memoria a lungo termine e l'altra ha un tipo diverso di memoria, lavorando insieme.

L'Esperimento: Dividere i Dati

Per vedere se questi cervelli stavano effettivamente imparando, hanno diviso i loro dati in due mucchi:

Il Mucchio di Studio (Addestramento): Hanno mostrato questi dati al cervello in modo che potesse imparare i modelli.
Il Mucchio di Test (Validazione): Hanno nascosto questi dati al cervello e gli hanno chiesto di prevedere il flusso di calore basandosi solo sulle temperature.

Hanno provato diverse divisioni: a volte il cervello studiava il 25% dei dati e veniva testato sul resto; altre volte studiava il 50% o il 66%.

I Risultati: Chi ha Vinto?

L'articolo ha scoperto alcune cose interessanti:

Più Dati Aiuta i Cervelli "Memoria": Quando il cervello aveva più dati da studiare (50% o 66%), i Cervelli Memoria (LSTM e GRU) hanno fatto un ottimo lavoro. Potevano prevedere il flusso di calore con grande precisione, quasi come se avessero avuto il sensore sulla parete per tutto il tempo.
Il Cervello Semplice Fatica: Il Cervello Semplice (MLP) era accettabile quando aveva pochissimi dati da studiare, ma non era affidabile quando i dati diventavano più numerosi. È come uno studente che può memorizzare una breve poesia ma si confonde con un intero libro.
La Migliore Combinazione: Il Cervello Ibrido (LSTM + GRU) ha ottenuto il tasso di errore più basso quando ha studiato il 66% dei dati. Tuttavia, i ricercatori hanno notato che avere il 66% dei dati per l'addestramento potrebbe essere un po' "barare" perché il mucchio di test era così piccolo.
Il Vero Vincitore: Guardando una divisione equa (50% studio, 50% test), il LSTM (Cervello Memoria 1) è stato il campione. Ha previsto il flusso di calore con un errore di circa solo 5,3% rispetto al sensore reale.

Il Problema: Il Fattore "Sorpresa"

L'articolo ha anche scoperto una limitazione. I "cervelli intelligenti" sono come studenti che memorizzano i modelli meteorologici che hanno studiato. Se il meteo cambia improvvisamente in un modo che non hanno mai visto prima (un picco o un calo di temperatura "sorprendente"), il cervello si confonde e la previsione diventa instabile.

Hanno mostrato un'immagine di un'altra parete dove la previsione funzionava bene finché il meteo non faceva qualcosa di inaspettato, momento in cui il "cervello intelligente" si è perso.

La Conclusione

L'articolo conclude che l'uso dell'Intelligenza Artificiale per prevedere il flusso di calore è un'idea promettente. Se puoi addestrare l'IA con pochi giorni di dati, potresti essere in grado di spostare il tuo sensore su una nuova parete molto prima delle due settimane standard.

Tuttavia, il metodo non è ancora perfetto. Funziona meglio quando il meteo si comporta in modo prevedibile, e i ricercatori dicono che devono fare più test per assicurarsi che il "cervello intelligente" non si confonda con i cambiamenti meteorologici improvvisi.

In breve: Hanno costruito una sfera di cristallo digitale che può indovinare quanto calore una parete perde basandosi sulla temperatura. Funziona abbastanza bene, ma ha ancora bisogno di più pratica per gestire il meteo a sorpresa.

Sintesi Tecnica: Predizione della Trasmittanza Termica tramite Reti Neurali Artificiali su Risultati del Metodo del Flusso Termico

Enunciazione del Problema
La ristrutturazione energetica profonda del patrimonio edilizio esistente è una priorità per l'Unione Europea, tuttavia la valutazione della trasmittanza termica (valore U) degli elementi edilizi esistenti rimane una sfida. Le strutture esistenti spesso mancano di documentazione progettuale, e il degrado dei materiali o l'umidità possono alterare le proprietà termiche nel tempo. Sebbene il Metodo del Flusso Termico (HFM), standardizzato dalla ISO 9869-1, sia un approccio sperimentale comune per determinare i valori U in situ, esso soffre di una limitazione significativa: la durata della misurazione. Per soddisfare i criteri standard e garantire l'affidabilità, i test HFM richiedono spesso fino a due settimane, in particolare quando si utilizzano metodi di elaborazione dei dati dinamici per minimizzare la deviazione dai valori U progettati. Questo arco temporale prolungato ostacola la pianificazione efficiente dei processi di ristrutturazione. Inoltre, il dispiegamento di più sensori per testare simultaneamente diversi elementi è spesso inefficiente dal punto di vista finanziario e operativo.

Metodologia
La ricerca propone un metodo per ridurre la durata della misurazione sfruttando le Reti Neurali Artificiali (ANN) per prevedere il flusso termico basandosi sulle temperature dell'aria interna ed esterna. L'ipotesi di base è che, una volta addestrato un modello ANN su un breve segmento di dati HFM, esso possa prevedere il flusso termico per il resto del periodo utilizzando solo gli input di temperatura, consentendo al sensore fisico di essere spostato su altri siti di misurazione.

Lo studio ha utilizzato dati sperimentali raccolti da una parete multistrato tra il 22 e il 26 febbraio 2019. Il dataset comprendeva 490 voci registrate ogni 10 minuti, catturando la temperatura interna ( $T_i$ ), la temperatura esterna ( $T_e$ ) e il flusso termico ( $q$ ).

Sono state valutate quattro distinte architetture ANN per la loro capacità di prevedere il flusso termico:

MLP3: Un Perceptron Multistrato con uno strato nascosto contenente tre neuroni.
LSTM100: Una rete a Memoria a Breve e Lungo Termine (Long Short-Term Memory) con 100 unità nello strato nascosto.
GRU100: Una rete a Unità Ricorrenti con Gate (Gated Recurrent Unit) con 100 unità nello strato nascosto.
LSTMGRU100: Un'architettura ibrida che combina 50 unità LSTM e 50 unità GRU su due strati nascosti.

Ogni architettura è stata testata sotto tre diversi rapporti di divisione dati di addestramento/convalida: 1/4, 1/2 e 2/3. Le prestazioni dei modelli sono state valutate utilizzando l'Errore Quadratico Medio Radice (RMSE), l'Errore Quadratico Medio (MSE) e l'Errore Assoluto Medio (MAE) per la previsione del flusso termico. Inoltre, i valori U previsti sono stati calcolati utilizzando il metodo medio standard (ISO 9869-1) applicato al flusso termico previsto e confrontati con il valore U misurato (0,586 W/(m²K)).

Risultati Chiave
L'analisi ha prodotto risultati promettenti riguardo alla previsione delle velocità di flusso termico basate sugli input di temperatura:

Prestazioni dell'Architettura: Le architetture di Reti Neurali Ricorrenti (RNN) (LSTM e GRU) hanno generalmente fornito risultati più affidabili quando sono stati utilizzati dataset più ampi (rapporti di addestramento 1/2 e 2/3) per l'addestramento. Al contrario, l'architettura MLP ha funzionato relativamente meglio con dataset di addestramento più piccoli (rapporto 1/4).
Migliori Prestazioni: La previsione più accurata per il rapporto di addestramento/convalida 1/2 è stata ottenuta dal modello LSTM100, che ha prodotto un RMSE di 1,68 e una differenza relativa del 5,31% rispetto al valore U misurato.
Modello Ibrido: Il modello LSTMGRU100 ha ottenuto il RMSE più basso (1,22) al rapporto di addestramento 2/3; tuttavia, gli autori notano che ciò potrebbe essere attribuito alla maggiore proporzione di dati di addestramento piuttosto che a una superiorità intrinseca dell'architettura.
Limitazioni: Un'analisi aggiuntiva su una parete diversa ha rivelata una potenziale instabilità nelle previsioni quando le temperature di confine cambiavano in modi non osservati durante il periodo di addestramento. Ciò suggerisce che, sebbene il metodo sia efficace in condizioni stabili, potrebbe avere difficoltà con variazioni termiche di confine non viste.

Significato e Affermazioni
Il documento afferma che l'applicazione di classi specifiche di ANN ai risultati HFM offre una via percorribile per ridurre il tempo richiesto per le misurazioni in situ del valore U. Prevedendo con successo il flusso termico basandosi sui dati di temperatura, il sensore fisico del flusso termico potrebbe teoricamente essere spostato in altre posizioni dopo un periodo di addestramento più breve, accelerando così la valutazione di più elementi edilizi.

Tuttavia, gli autori mantengono una posizione modesta riguardo alla maturità del metodo. Riconoscono che la stabilità delle previsioni nel lungo termine, in particolare con dataset piccoli o in condizioni di confine variabili, richiede ulteriori indagini. Lo studio identifica l'influenza di cambiamenti non osservati delle temperature di confine come una limitazione primaria, suggerendo che condizioni di misurazione rigorose o tecniche di regolarizzazione potrebbero essere necessarie per conclusioni più certe. Di conseguenza, il documento colloca questi risultati come una direzione per ulteriori ricerche piuttosto che come una soluzione definitiva per un dispiegamento diffuso immediato.