Kontekst badania
Utrzymanie komfortu cieplnego w szpitalach jest trudniejsze niż w typowych budynkach biurowych lub mieszkalnych ze względu na dużą rotację użytkowników, zróżnicowany stan zdrowia, wiek i indywidualną wrażliwość cieplną pacjentów oraz zmienną liczbę osób w pomieszczeniach. Szczególnym przypadkiem są poczekalnie ambulatoryjne, w których konwencjonalne sterowanie instalacją wentylacji i klimatyzacji na podstawie uśrednionych parametrów może nie odpowiadać rzeczywistym odczuciom użytkowników. Autorzy wskazują, że tradycyjny wskaźnik przewidywanej średniej oceny komfortu cieplnego PMV opiera się na założeniach stanu ustalonego i reakcji przeciętnej grupy, przez co gorzej opisuje krótkotrwałe zmiany i różnice indywidualne. Badanie miało więc stworzyć podstawę do bardziej dynamicznego, spersonalizowanego sterowania środowiskiem wewnętrznym i jednocześnie do ograniczania zużycia energii.
Cele i hipotezy
Celem było opracowanie modelu przewidującego subiektywne odczucie cieplne osób przebywających w szpitalnej poczekalni na podstawie jednoczesnych pomiarów środowiskowych, fizjologicznych i danych o użytkowniku. Autorzy połączyli konwolucyjną sieć neuronową, model zależności czasowych typu LSTM oraz uczenie meta MAML, którego zadaniem było umożliwienie szybkiego dostosowania modelu do nowych osób i warunków przy niewielkiej liczbie danych. Dodatkowo sprawdzono, czy można ograniczyć liczbę czujników bez istotnej utraty dokładności oraz czy model może przewidywać odczucie cieplne z wyprzedzeniem do 30 minut.
Metody badawcze
Badania terenowe prowadzono przez około trzy miesiące w poczekalniach dużego szpitala ogólnego w Lanzhou w północno-zachodnich Chinach. Uzyskano 11 088 prawidłowych zestawów danych od pacjentów i osób im towarzyszących. Pomiary prowadzono w trzech punktach różniących się układem przestrzennym, oddziaływaniem instalacji HVAC i obciążeniem użytkownikami. Rejestrowano temperaturę i wilgotność powietrza, prędkość przepływu powietrza, temperaturę promieniowania, stężenie CO₂ oraz poziom dźwięku. Kamerą termowizyjną mierzono również temperaturę skóry policzka i grzbietu dłoni. Co 10 minut uczestnicy określali swoje odczucie cieplne na pięciostopniowej skali od −2, czyli „chłodno”, do +2, czyli „ciepło”. Dane podzielono chronologicznie na zbiory treningowy, walidacyjny i testowy w proporcji 70:15:15, aby ograniczyć ryzyko przecieku informacji pomiędzy kolejnymi okresami pomiarowymi.
Rezultaty badań i ich interpretacja
Najczęściej zgłaszanym stanem było odczucie neutralne. Pacjenci częściej niż osoby towarzyszące deklarowali odczucia chłodniejsze, natomiast odwiedzający częściej wskazywali odczucia cieplejsze. Spośród analizowanych parametrów najsilniejszy związek z odczuciem cieplnym miała temperatura powietrza, a kolejne miejsca zajmowały temperatura skóry grzbietu dłoni i stężenie CO₂. Temperatura policzka okazała się mniej użytecznym predyktorem.
Podstawowy model CNN-LSTM uzyskał około 90% trafności klasyfikacji, wobec około 83% dla lasu losowego, 69% dla klasycznej sieci neuronowej i 65% dla maszyny wektorów nośnych. Wskaźnik F1 wyniósł 0,89, a pole pod krzywą precyzja–czułość 0,91. Wprowadzenie mechanizmu MAML przede wszystkim poprawiło szybkość adaptacji i stabilność: model osiągał wysoką jakość po około 10 dniach danych treningowych, podczas gdy klasyczny CNN-LSTM potrzebował około 60 dni, co autorzy określają jako około sześciokrotne skrócenie procesu dochodzenia do stabilnego rozwiązania.
Analiza znaczenia zmiennych wykazała, że do praktycznego zastosowania wystarczają szczególnie trzy parametry: temperatura powietrza, stężenie CO₂ i temperatura skóry grzbietu dłoni. Tak uproszczony zestaw dawał wyniki zbliżone do modelu korzystającego ze wszystkich zmiennych, co jest istotne z punktu widzenia kosztu i złożoności systemu pomiarowego. CO₂ pełnił przy tym nie tylko rolę wskaźnika jakości powietrza, lecz także pośrednio odzwierciedlał zagęszczenie osób i związane z nim zyski ciepła.
W prognozie 30-minutowej średni błąd bezwzględny wynosił 0,30–0,50 punktu pięciostopniowej skali, a pierwiastek błędu średniokwadratowego 0,60–0,80. Przy wyprzedzeniu 60 i 90 minut dokładność wyraźnie malała; dla 90 minut błąd bezwzględny osiągał 0,52–0,80, a drugi z wymienionych wskaźników przekraczał 1,0. Autorzy uznają więc horyzont 30 minut za najbardziej użyteczny dla bieżącego sterowania.
Porównanie z tradycyjnym PMV wykazało, że oba podejścia prawidłowo odzwierciedlały wzrost odczucia ciepła wraz z temperaturą, jednak PMV systematycznie zaniżał rzeczywiste deklaracje użytkowników. Najmniejszy przewidywany odsetek osób niezadowolonych występował przy 21–22°C, a dyskomfort szybko zwiększał się poniżej 20°C i powyżej 24°C. Model CNN-LSTM-MAML znacznie lepiej odwzorowywał krótkotrwałe zmiany subiektywnego odczucia w ciągu dnia.
Wnioski
Połączenie danych środowiskowych i fizjologicznych z modelem CNN-LSTM-MAML pozwoliło dokładniej niż tradycyjne metody przewidywać dynamiczne odczucie cieplne w szpitalnej poczekalni. Szczególnie wartościowe praktycznie jest ograniczenie zestawu wejściowego do temperatury powietrza, CO₂ i temperatury grzbietu dłoni oraz możliwość prognozowania z około 30-minutowym wyprzedzeniem. Autorzy wskazują możliwość wykorzystania modelu jako sygnału wyprzedzającego dla systemów automatyki budynkowej i zarządzania energią, m.in. do korekty nastaw temperatury, intensywności wentylacji i rozdziału powietrza.
Ograniczenia zakresu badawczego
Badanie obejmowało tylko okres zimowy i jeden szpital, dlatego nie potwierdzono jeszcze możliwości uogólnienia wyników na inne klimaty, sezony i typy obiektów. Nie rejestrowano indywidualnej izolacyjności odzieży ani aktywności metabolicznej, a dane fizjologiczne ograniczono do temperatury policzka i dłoni. Ocena komfortu opierała się na deklaracjach uczestników, podatnych na zmienność indywidualną. Model miał także istotnie mniejszą dokładność przy prognozach przekraczających 60 minut. Nie zastosowano bezpośrednich zmiennych przestrzennych, takich jak odległość od nawiewników, rozkład przepływu powietrza czy geometria pomieszczenia. Autorzy wskazują potrzebę walidacji wielosezonowej i wieloośrodkowej oraz dalszego rozwijania modelu w kierunku lepszego odwzorowania zależności długookresowych i przestrzennych.
Artykuł dostępny na stronie czasopisma Energy and Buildings