Microbiome-Aware HVAC Control in Green Buildings Using Reinforcement Learning

De meeste van ons brengen het overgrote deel van ons leven door in gebouwen. We slapen, werken en komen samen in ruimtes waar de lucht wordt beheerd door mechanische systemen die ontworpen zijn om ons comfortabel en veilig te houden. Decennialang lag de standaard voor het beoordelen van de kwaliteit van deze binnenlucht gericht op chemische verontreinigingen en energieverbruik. Certificeringen voor groene gebouwen meten bijvoorbeeld hoe goed een structuur koolstofdioxide, stof en vluchtige chemicaliën filtert, terwijl ze ook bijhouden hoeveel elektriciteit het verbruikt om koel of warm te blijven. Deze maatstaven zijn essentieel voor de veiligheid, maar ze vertellen slechts een deel van het verhaal. Ze negeren de onzichtbare, levende wereld die gedijt binnen onze muren: het microbioom. Dit is de complexe gemeenschap van bacteriën, schimmels en andere microscopische organismen die circuleren in de lucht die wij inademen. Net zoals de bodem in een bos een specifieke balans van leven heeft die het ecosysteem gezond houdt, herbergt de lucht binnen een gebouw zijn eigen microbiële gemeenschap, die invloed kan hebben op de menselijke gezondheid, van ons immuunsysteem tot ons welzijn van de luchtwegen.

Tot nu toe heeft de technologie die onze binnenlucht controleert grotendeels deze biologische laag genegeerd. Verwarming- en koelsystemen zijn afgestemd op het beheren van temperatuur en vochtigheid op basis van chemische sensoren, niet op de gezondheid van het microbiële ecosysteem. Een nieuwe studie door Pradip Thorat introduceert een andere manier van denken, waarbij hij voorstelt dat we de lucht in onze gebouwen kunnen en moeten beheren om een stabiele, gezonde microbiële gemeenschap te ondersteunen. Het onderzoek vertrouwt niet op fysieke experimenten in een echt gebouw, maar gebruikt in plaats daarvan een geavanceerde computersimulatie om een nieuw soort kunstmatige intelligentie te testen. Deze AI fungeert als een gebouwbeheerder die voortdurend de ventilatie en luchtstroom aanpast om te zien of het een betere omgeving kan creëren voor deze microscopische levensvormen, terwijl er nog steeds energie wordt bespaard. Het doel is om verder te gaan dan simpelweg de lucht vrij te houden van chemicaliën, naar het actief koesteren van een gebalanceerde biologische omgeving.

De onderzoekers bouwden een digitaal model van een kantoorgebouw met drie zones, bestaande uit een kantoor, een vergaderruimte en een lobby. Ze programmeerden dit virtuele gebouw om na te bootsen hoe lucht beweegt, hoe de vochtigheid verandert en hoe microbiële populaties groeien en verschuiven als reactie op die omstandigheden. Om het succes van hun systeem te meten, creëerden ze een nieuwe metriek genaamd de Microbiome Stability Index (Microbioom Stabiliteitsindex). Zie deze index als een score die de balans en diversiteit van de microbiële gemeenschap weerspiegelt, terwijl situaties waarin schadelijke pathogenen de overhand krijgen of waarin de populatie wild fluctueert, worden afgestraft. Hoe hoger de score, hoe stabieler en gezonder de lucht wordt beschouwd. Het team trainde vervolgens een reinforcement learning agent, een type kunstmatige intelligentie dat leert door middel van vallen en opstaan, om de ventilatie van het gebouw te besturen. De taak van de AI was om aan te passen hoeveel verse lucht er werd binnengebracht, waarbij een balans werd gezocht tussen het streven naar een hoge stabiliteitsscore en de kosten van de energie die nodig is om die lucht te verplaatsen.

De resultaten van deze simulaties onthulden een verrassende waarheid over hoe wij onze binnenlucht beheren. Het door AI aangestuurde systeem slaagde erin een hogere stabiliteitsscore te behalen dan de traditionele methode, die vertrouwt op een constante hoeveelheid ventilatie die constant blijft draaien. Terwijl de standaardbenadering de ventilatie op een constant niveau van twee luchtwisselingen per uur hield, leerde de AI veel dynamischer te zijn. Het verminderde de gemiddelde ventilatie naar slechts 1,30 luchtwisselingen per uur, maar verbeterde toch de stabiliteit van de microbiële gemeenschap met 1,2 procent. Deze bevinding daagt de algemene aanname uit dat meer ventilatie altijd beter is voor de luchtkwaliteit. De AI leerde dat door zorgvuldig te timen wanneer er verse lucht wordt binnengebracht en wanneer er energie wordt bespaard, het een gezondere biologische omgeving kon behouden met minder inspanning. Het systeem was bijzonder effectief in het stabiel houden van de lucht tijdens het grootste deel van de simulatie, en verhoogde de ventilatie pas agressief wanneer de stabiliteitsscore begon te dalen.

Een van de meest opvallende ontdekkingen in de studie betrof de luchtvochtigheid. Huidige gebouwstandaarden adviseren over het algemeen de relatieve vochtigheid tussen 40 en 60 procent te houden om schimmelgroei en huisstofmijt te voorkomen. De simulatie liet echter zien dat de stabiliteit van de microbiële gemeenschap feitelijk toenam naarmate de vochtigheid steeg, met een piek bij 80 procent. Dit suggereert dat de huidige richtlijnen, die prioriteit geven aan het onderdrukken van schimmel, er onbedoeld voor kunnen zorgen dat de diversiteit en stabiliteit van het bredere microbiële ecosysteem wordt beperkt. De gegevens wezen op een sterke, positieve relatie tussen hogere vochtigheid en een stabieler microbioom, een bevinding die in strijd is met de traditionele focus op het droog houden van de lucht. De onderzoekers merkten op dat hoewel 80 procent vochtigheid hoog lijkt voor het voorkomen van schimmel, het blijkbaar het ideale punt is voor het behoud van een gebalanceerde microbiële gemeenschap in dit specifieke model.

De studie benadrukte ook dat niet alle gebouwen of klimaten gelijk zijn als het gaat om het beheren van deze biologische balans. De simulaties toonden aan dat gebouwen in kust- en vochtige tropische klimaten van nature beter in staat zijn om een stabiel microbioom te ondersteunen, waardoor ze minder energie nodig hebben om hoge scores te behalen. In contrast hiermee legden droge woestijn- en koude, droge klimaten een zware straf op, wat het veel moeilijker en energie-intensiever maakte om hetzelfde niveau van stabiliteit te bereiken. Dit suggereert dat één universele regel voor het beheer van de binnenluchtkwaliteit niet overal werkt. De AI toonde ook aan dat verschillende kamers binnen hetzelfde gebouw verschillende hoeveelheden energie vereisen om hetzelfde niveau van stabiliteit te bereiken. Zo had de kantoorruimte in de simulatie bijvoorbeeld twee keer zoveel energie nodig als de kleinere vergaderruimte om dezelfde stabiliteitsscore te behalen, simpelweg vanwege verschillen in volume en luchtstroomdynamiek. Dit wijst op een toekomst waarin gebouwbeheersystemen zeer op maat zijn gemaakt en zich aanpassen aan de specifieke behoeften van elke kamer en het lokale klimaat.

Hoewel de resultaten veelbelovend zijn, merken de onderzoekers er voorzichtig bij op dat deze bevindingen uit een computersimulatie komen, en niet uit een fysiek gebouw. Het model maakte enkele vereenvoudigingen, zoals het aannemen van een constante temperatuur en het behandelen van de lucht in elke kamer als een perfect gemengde substantie, wat geen rekening houdt met de complexe micro-omgevingen rond bureaus of ramen. De formule die werd gebruikt om de stabiliteitsscore te berekenen, vertrouwde ook op vaste gewichten die mogelijk moeten worden aangepast voor verschillende soorten gebouwen of seizoenen. Ondanks deze beperkingen biedt de studie een cruciaal bewijs van het concept. Het demonstreert dat het mogelijk is om kunstmatige intelligentie te gebruiken om de biologische kwaliteit van de binnenlucht te beheren, waarbij een balans wordt gevonden tussen gezondheid en energie-efficiëntie op een manier die traditionele systemen niet kunnen. Het werk suggereert dat de volgende generatie groene gebouwen niet alleen zal gaan over het besparen van energie of het filteren van chemicaliën, maar over het actief cultiveren van een gezonde, levende atmosfeer voor de mensen die er binnen zijn.