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

Gli edifici non sono scatole statiche; sono sistemi viventi che respirano, accumulano calore e reagiscono alle persone al loro interno. Ogni volta che una porta si apre, una persona entra o una finestra viene socchiusa, l'aria all'interno si sposta, trasportando sia calore che anidride carbonica. Per decenni, gli ingegneri hanno cercato di prevedere come questi cambiamenti influenzino il comfort interno, affidandosi a modelli che trattano il calore e la qualità dell'aria come problemi separati. Sanno che le pareti conducono calore e che le persone generano calore, ma spesso faticano a tracciare le correnti invisibili d'aria che si muovono tra le stanze, specialmente quando i sensori sono scarsi o il comportamento dell'edificio cambia improvvisamente. La sfida è stata quella di creare un sistema in grado di apprendere da dati limitati in tempo reale, distinguendo tra un guasto di un sensore e un reale cambiamento nel modo in cui l'edificio si comporta, il tutto mantenendo i calcoli abbastanza rapidi da essere utili per il controllo dei sistemi di riscaldamento e raffreddamento.

Un team di ricercatori dell'Università di Tecnologia di Eindhoven ha sviluppato un nuovo approccio che tratta la temperatura di un edificio e i suoi livelli di anidride carbonica come due facce della stessa medaglia. Invece di guardare al calore e alla qualità dell'aria isolatamente, hanno creato un modello che li lega attraverso i motori invisibili del flusso d'aria e della presenza umana. In questo schema, il movimento dell'aria è il filo comune: le stesse correnti d'aria che trasportano l'anidride carbonica da una stanza all'altra trasportano anche il calore. Osservando come cambiano sia la temperatura che l'anidride carbonica nel tempo, il sistema può lavorare a ritroso per capire dove si trovano le persone, come l'aria si muove tra le zone e come l'edificio stesso accumula o rilascia energia. Questo metodo non richiede una rete densa di sensori costosi; funziona con i dati scarsi tipicamente disponibili negli uffici, utilizzando una tecnica chiamata inferenza bayesiana a finestra mobile. Questo approccio analizza una breve porzione recente di tempo — come una finestra di quaranta minuti — invece di cercare di analizzare l'intera storia dell'edificio in una volta sola. Ciò consente al modello di adattarsi rapidamente quando le condizioni cambiano, ad esempio quando una riunione termina e le persone si spostano da un piccolo ufficio a una grande sala conferenze.

Per testare la loro idea, i ricercatori hanno prima costruito una versione perfetta, generata al computer, di un edificio con quattro piccoli uffici, due grandi sale riunioni e un corridoio di collegamento. In questo mondo simulato, conoscevano la verità esatta: sapevano esattamente quante persone c'erano in ogni stanza, esattamente quanto velocemente si muoveva l'aria e esattamente come le pareti conducevano il calore. Hanno poi introdotto errori dei sensori realistici, imitando le lievi imprecisioni tipiche dei sensori economici del mondo reale. Quando hanno eseguito il loro nuovo modello contro questi dati, esso ha ricostruito con successo i modelli nascosti di flusso d'aria e occupazione. Il modello è stato in grado di tracciare il movimento delle persone dagli uffici piccoli alla grande sala riunioni, regolando le proprie stime interne delle correnti d'aria e dell'accumulo di calore per adattarsi alla nuova realtà. Fondamentalmente, quando il sistema incontrava un cambiamento improvviso mai visto prima, non si limitava a indovinare; segnalava la propria incertezza. L'intervallo delle possibili risposte si ampliava, comunicando efficacementamente all'utente: "Non ne sono ancora sicuro", finché non affluivano abbastanza nuovi dati per confermare il nuovo stato. Questa capacità di quantificare il dubbio è una caratteristica chiave, poiché evita che il sistema faccia previsioni sicure ma errate durante le transizioni caotiche.

I ricercatori hanno poi confrontato il loro modello combinato con una versione più semplice che considerava solo la temperatura. Nell'ambiente perfetto e simulato, il modello basato solo sulla temperatura funzionava ragionevolmente bene perché il calore e l'anidride carbonica erano strettamente legati dalla fisica della simulazione. Tuttavia, il modello combinato si è dimostrato superiore in un aspetto specifico: si è adattato molto più velocemente al cambiamento improvviso di occupazione. Quando le persone si sono spostate, il modello che utilizzava i dati dell'anidride carbonica ha aggiornato la sua comprensione del flusso d'aria e del numero di persone quasi immediatamente, mentre il modello basato solo sulla temperatura è rimasto indietro. Ciò ha suggerito che, anche quando i dati sulla temperatura sono disponibili, l'ulteriore livello informativo dell'anidride carbonica aiuta il sistema a identificare più rapidamente la spiegazione corretta di ciò che accade all'interno dell'edificio.

Per vedere se questo valesse anche nel mondo reale, il team ha costruito un modello fisico in scala dello stesso layout edilizio. Hanno utilizzato piccole ventole per guidare l'aria tra le stanze e una fonte controllata di anidride carbonica e calore per simulare un gruppo di persone che si riunisce in una stanza. A differenza della perfetta simulazione al computer, questa configurazione fisica presentava imperfezioni del mondo reale: l'aria non si mescolava perfettamente, i sensori avevano le loro peculiarità e il comportamento dell'edificio non sempre corrispondeva alle equazioni teoriche. Nonostante queste discrepanze, il modello ha ottenuto risultati impressionanti. È riuscito a tracciare l'aumento e la diminuzione dell'anidride carbonica e della temperatura man mano che la fonte artificiale di "persone" veniva accesa e spenta. Ancora più importante, il modello combinato ha fornito un quadro molto più chiaro di ciò che stava accadendo rispetto alla versione basata solo sulla temperatura. Nell'esperimento reale, i dati della sola temperatura hanno portato il modello a inventare fonti di calore inesistenti nelle stanze dove non era presente nessuno, cercando di spiegare i cambiamenti di temperatura con ipotesi errate. I dati dell'anidride carbonica hanno agito come un controllo di realtà, prevenendo questi errori e restringendo l'intervallo di incertezza attorno alle stime del flusso d'aria. Il modello ha appreso che i cambiamenti di temperatura erano guidati dalla fonte nota nella stanza principale, e non da fonti di calore fantasma altrove.

Lo studio ha anche esplorato come la dimensione della finestra temporale influenzasse i risultati. Hanno scoperto che l'utilizzo di una finestra di dati più lunga migliorava generalmente l'accuratezza, attenuando il rumore e permettendo al modello di distinguere meglio tra errori casuali dei sensori e tendenze reali. Tuttavia, se la finestra era troppo lunga, il modello diventava lento e pigro nel reagire ai cambiamenti improvvisi. Il punto di equilibrio permetteva al sistema di essere allo stesso tempo accurato e reattivo. I ricercatori hanno inoltre scoperto che il modello poteva stimare il livello di rumore di ogni singolo sensore. Se un sensore iniziava a comportarsi in modo anomalo o se il comportamento dell'edificio deviava significativamente dalle aspettative del modello, il sistema ampliava automaticamente le sue fasce di incertezza, segnalando che i dati erano meno affidabili del solito.

Sebbene i risultati siano promettenti, i ricercatori tengono a sottolineare i limiti. Il loro modello assume che l'aria in ogni stanza sia perfettamente miscelata, il che raramente accade nella realtà; in un vero ufficio, l'aria vicino a una bocchetta di ventilazione potrebbe essere più fredda rispetto all'aria vicino a una finestra. Inoltre, si sono concentrati su uno scenario semplificato in cui l'unica fonte di calore era la simulazione delle persone, ignorando altri fattori comuni come la luce solare, i computer o l'illuminazione. In un edificio reale, queste fonti di calore aggiuntive potrebbero complicare il quadro, rendendo più difficile separare gli effetti delle persone da quelli delle apparecchiature. I ricercatori suggeriscono che il lavoro futuro dovrà incorporare questi fattori extra per rendere il modello abbastanza robusto da un impiego su larga scala. Riconoscono anche che l'attuale metodo computazionale, pur essendo efficace, è impegnativo e potrebbe dover essere snellito prima di poter essere eseguito continuamente sui normali sistemi di controllo degli edifici.

In definitiva, questo lavoro dimostra un nuovo e potente modo per "ascoltare" un edificio. Trattando la temperatura e l'anidride carbonica come un sistema accoppiato, i ricercatori hanno creato un metodo in grado di inferire la dinamica invisibile del flusso d'aria e dell'occupazione partendo da dati limitati. È uno strumento che non si limita a prevedere il futuro, ma comprende il presente, adattando la propria fiducia al mutare dell'edificio. Per i gestori degli uffici, questo potrebbe significare un futuro in cui i sistemi di riscaldamento e raffreddamento rispondono non solo a un termostato, ma al reale flusso di persone e aria, risparmiando energia e migliorando il comfort senza la necessità di installare un sensore in ogni angolo. La strada da percorrere prevede il perfezionamento di questi modelli per gestire la realtà più disordinata e complessa degli edifici su larga scala, ma l'idea centrale — che l'aria e il calore raccontino la stessa storia — ha dimostrato di funzionare.