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

Os edifícios não são caixas estáticas; são sistemas vivos que respiram, armazenam calor e reagem às pessoas dentro deles. Cada vez que uma porta se abre, uma pessoa entra ou uma janela é aberta, o ar no interior desloca-se, transportando tanto calor como dióxido de carbono. Durante décadas, os engenheiros tentaram prever como estas mudanças afetam o conforto interior, baseando-se em modelos que tratam o calor e a qualidade do ar como problemas separados. Eles sabem que as paredes conduzem calor e que as pessoas geram calor, mas muitas vezes têm dificuldade em rastrear as correntes invisíveis de ar que se movem entre as divisões, especialmente quando os sensores são escassos ou o comportamento do edifício muda subitamente. O desafio tem sido criar um sistema que consiga aprender com dados limitados em tempo real, distinguindo entre uma falha de um sensor e uma mudança genuína no comportamento do edifício, tudo isto mantendo os cálculos rápidos o suficiente para serem úteis no controlo dos sistemas de aquecimento e arrefecimento.

Uma equipa de investigadores da Universidade Tecnológica de Eindhoven desenvolveu uma nova abordagem que trata a temperatura de um edifício e os seus níveis de dióxido de carbono como dois lados da mesma moeda. Em vez de observar o calor e a qualidade do ar isoladamente, criaram um modelo que os liga através dos motores invisíveis do fluxo de ar e da presença humana. Neste quadro, o movimento do ar é o fio condutor: as mesmas correntes de ar que transportam dióxido de carbono de uma divisão para outra também transportam calor. Ao observar como a temperatura e o dióxido de carbono mudam ao longo do tempo, o sistema pode trabalhar de trás para a frente para descobrir onde as pessoas estão, como o ar se move entre as zonas e como o próprio edifício armazena ou liberta energia. Este método não requer uma rede densa de sensores caros; funciona com os dados escassos tipicamente disponíveis em edifícios de escritórios, utilizando uma técnica chamada inferência Bayesiana de janela móvel. Esta abordagem analisa uma fatia de tempo recente e curta — como uma janela de quarenta minutos — em vez de tentar analisar todo o histórico do edifício de uma só vez. Isto permite que o modelo se adapte rapidamente quando as condições mudam, como quando uma reunião termina e as pessoas se deslocam de um pequeno escritório para uma grande sala de conferências.

Para testar a sua ideia, os investigadores construíram primeiro uma versão perfeita, gerada por computador, de um edifício com quatro pequenos escritórios, duas grandes salas de reuniões e um corredor de ligação. Neste mundo simulado, eles sabiam a verdade exata: sabiam exatamente quantas pessoas havia em cada sala, exatamente a velocidade com que o ar se movia e exatamente como as paredes conduziam o calor. Introduziram depois erros de sensores realistas, mimetizando as ligeiras imprecisões encontradas em sensores baratos do mundo real. Quando executaram o seu novo modelo contra estes dados, este reconstruiu com sucesso os padrões ocultos de fluxo de ar e ocupação. O modelo foi capaz de rastrear o movimento das pessoas dos pequenos escritórios para a grande sala de reuniões, ajustando as suas estimativas internas de correntes de ar e armazenamento de calor para corresponder à nova realidade. Crucialmente, quando o sistema encontrava uma mudança súbita que não tinha visto antes, não apenas adivinhava; ele sinalizava a sua incerteza. A gama de respostas possíveis alargava-se, dizendo efetivamente ao utilizador: "Ainda não tenho a certeza", até que dados suficientes fluíssem para confirmar o novo estado. Esta capacidade de quantificar a dúvida é uma característica fundamental, pois evita que o sistema faça previsões confiantes, mas erradas, durante transições caóticas.

Os investigadores compararam depois o seu modelo combinado com uma versão mais simples que olhava apenas para a temperatura. No ambiente perfeito e simulado, o modelo de apenas temperatura funcionou razoavelmente bem porque o calor e o dióxido de carbono estavam fortemente ligados pela física da simulação. No entanto, o modelo combinado provou ser superior numa forma específica: adaptou-se muito mais rapidamente à mudança súbita de ocupação. Quando as pessoas se moveram, o modelo que utilizou os dados de dióxido de carbono atualizou a sua compreensão do fluxo de ar e do número de pessoas quase imediatamente, enquanto o modelo de apenas temperatura ficou atrasado. Isto sugeriu que, mesmo quando os dados de temperatura estão disponíveis, a camada extra de informação de dióxido de carbono ajuda o sistema a fixar-se na explicação correta para o que está a acontecer dentro do edifício mais rapidamente.

Para ver se isto se mantinha no mundo real, a equipa construiu um modelo físico em escala reduzida do mesmo layout de edifício. Utilizaram pequenos ventiladores para impulsionar o ar entre as divisões e uma fonte controlada de dióxido de carbono e calor para simular um grupo de pessoas a reunir-se numa sala. Ao contrário da simulação perfeita por computador, esta configuração física tinha imperfeições do mundo real: o ar não se misturava perfeitamente, os sensores tinham as suas próprias peculiaridades e o comportamento do edifício nem sempre correspondia às equações teóricas. Apesar destes desajustes, o modelo teve um desempenho impressionante. Rastreou com sucesso a subida e descida do dióxido de carbono e da temperatura à medida que a "pessoa" artificial ligava e desligava a sua fonte. Mais importante ainda, o modelo combinado forneceu uma imagem muito mais clara do que a versão de apenas temperatura. No experimento real, os dados de temperatura sozinhos levaram o modelo a inventar fontes de calor falsas em salas onde não havia ninguém presente, tentando explicar as mudanças de temperatura com suposições incorretas. Os dados de dióxido de carbono atuaram como um teste de realidade, prevenindo estes erros e estreitando a gama de incerteza em torno das estimativas de fluxo de ar. O modelo aprendeu que as mudanças de temperatura eram impulsionadas pela fonte conhecida na sala principal, e não por fontes de calor fantasmagóricas noutros locais.

O estudo também explorou como o tamanho da janela de tempo afetava os resultados. Descobriram que utilizar uma janela de dados mais longa melhorava geralmente a precisão, suavizando o ruído e permitindo que o modelo melhor distinguisse entre erros aleatórios de sensores e tendências reais. No entanto, se a janela fosse demasiado longa, o modelo se tornava lento e demorado a reagir a mudanças súbitas. O ponto ideal permitia que o sistema fosse simultaneamente preciso e responsivo. Os investigadores também descobriram que o modelo podia estimar o nível de ruído de cada sensor individual. Se um sensor começasse a apresentar problemas ou se o comportamento do edifício se desviasse significativamente das expectativas do modelo, o sistema alargaria automaticamente as suas bandas de incerteza, sinalizando que os dados eram menos fiáveis do que o habitual.

Embora os resultados sejam promissores, os investigadores são cuidadosos ao notar as limitações. O seu modelo assume que o ar em cada divisão está perfeitamente misturado, o que raramente é verdade na realidade; num escritório real, o ar perto de uma ventilação pode ser mais frio do que o ar perto de uma janela. Também se focaram num cenário simplificado onde a única fonte de calor era as pessoas simuladas, ignorando outros fatores comuns como a luz solar, computadores ou iluminação. Num edifício real, estas fontes de calor adicionais poderiam complicar o quadro, tornando mais difícil separar os efeitos das pessoas dos efeitos dos equipamentos. Os investigadores sugerem que o trabalho futuro terá de incorporar estes fatores extra para tornar o modelo robusto o suficiente para uma implementação em escala total. Também reconhecem que o método computacional atual, embora eficaz, é exigente e poderá precisar de ser simplificado antes de poder correr continuamente nos sistemas de controlo de edifícios padrão.

Em última análise, este trabalho demonstra uma nova e poderosa forma de ouvir um edifício. Ao tratar a temperatura e o dióxido de carbono como um sistema acoplado, os investigadores criaram um método que consegue inferir a dinâmica invisível do fluxo de ar e da ocupação a partir de dados limitados. É uma ferramenta que não se limita a prever o futuro; compreende o presente, adaptando a sua confiança à medida que o edifício muda. Para os gestores de edifícios de escritórios, isto pode significar um futuro onde os sistemas de aquecimento e arrefecimento respondem não apenas a um termóstato, mas ao fluxo real de pessoas e de ar, poupando energia e melhorando o conforto sem necessidade de instalar um sensor em cada canto. O caminho a seguir envolve o refinamento destes modelos para lidar com a realidade mais desordenada e complexa dos edifícios de escala total, mas a ideia central — que o ar e o calor contam a mesma história — provou funcionar.