Kontekst badania
Systemy HVAC w szpitalach są kluczowe dla jakości powietrza, komfortu cieplnego, kontroli infekcji i ciągłości pracy placówek medycznych. Rosnąca złożoność infrastruktury oraz ekstremalne obciążenia środowiskowe zwiększają ryzyko awarii, co wymaga nowoczesnych metod oceny odporności systemów. W literaturze brakowało całościowych, opartych na danych ram analitycznych dotyczących odporności HVAC w szpitalach.
Cele i hipotezy
Celem pracy było opracowanie ram oceny odporności systemów HVAC w szpitalu z wykorzystaniem hybrydowego modelu LSTM i nowego wskaźnika PCPI (Psychrometric Comfort Performance Index). Postawiono hipotezę, że połączenie sztucznej inteligencji z miarami komfortu psychrometrycznego pozwoli dokładniej wykrywać degradację systemu i wspierać strategie predykcyjnego utrzymania ruchu .
Metody badawcze
Badania przeprowadzono w szpitalu w Teheranie (Mom Infertility Treatment Hospital). Analizowano dane z dwóch central wentylacyjnych (AHU01 i AHU02) zebrane w okresie letnim 2023 r. (ponad 58 mln punktów pomiarowych). Dane (temperatura, wilgotność, ciśnienie, przepływy) były oczyszczane, normalizowane i agregowane. Do prognozowania wykorzystano rekurencyjne sieci neuronowe (LSTM encoder-decoder) z optymalizacją hiperparametrów. Odporność systemu oceniano na podstawie wskaźników WBGT, HI i PCPI, a następnie łączono je w indeks wielokryterialny.
Rezultaty badań i ich interpretacja
Wskaźniki WBGT, HI i PCPI utrzymywały się powyżej 90%, a średni indeks wielokryterialny wyniósł 0,97, co dowodzi wysokiej odporności systemu. System spełniał normy ASHRAE z marginesem bezpieczeństwa 20–70%. Charakterystyczna była szybka regeneracja po krótkotrwałych spadkach wydajności. PCPI okazał się bardziej czuły na degradację niż tradycyjne wskaźniki komfortu. Model LSTM uzyskał wysoką dokładność (MAE: 0,051–0,075; współczynniki korelacji: 0,832–0,881), umożliwiając przewidywanie zarówno krótkoterminowych, jak i długoterminowych zmian. W sytuacjach ekstremalnych (np. spadki wilgotności przy dużych wahaniach temperatury) odnotowano ograniczenia dokładności, wskazując na potrzebę dalszego rozwoju adaptacyjnych metod sterowania.
Wnioski
Opracowane podejście skutecznie łączy predykcję opartą na sztucznej inteligencji z analizą komfortu psychrometrycznego, tworząc ramy dla predykcyjnego utrzymania i zarządzania odpornością systemów HVAC w szpitalach. Zaproponowany wskaźnik PCPI zwiększa czułość diagnostyki, a metoda pozwala na opracowanie strategii konserwacji ukierunkowanych na odporność.
Ograniczenia zakresu badawczego
Dane obejmowały tylko okres letni, co ogranicza możliwość bezpośredniego przeniesienia wyników na zimę i okresy przejściowe Modele LSTM mogą tracić dokładność przy bardzo długich sekwencjach czasowych (problem zanikających/eksplodujących gradientów) Badanie dotyczyło jednego szpitala i dwóch central wentylacyjnych, co ogranicza możliwość generalizacji. Brak pełnego odwzorowania nagłych zmian środowiskowych, które są krytyczne dla oceny odporności.
Artykuł opublikowano w Journal of Building Engineering