Un sistema de control inteligente basado en BIM y fusión de sensores para la regulación del ambiente interior con...

Área de la Ciencia:

• Ciencia e Ingeniería de la Construcción
• Inteligencia Artificial
• Sistemas de Control

Sus antecedentes:

• El sector de la construcción se enfrenta a demandas energéticas crecientes y a la necesidad de una alta calidad del ambiente interior (CAI).
• Los métodos de control tradicionales como el control basado en reglas (RBC) y el control predictivo basado en modelos (MPC) tienen limitaciones en cuanto a adaptabilidad y dependencia del modelo.
• Las estrategias de control inteligente son cruciales para optimizar el rendimiento de los edificios.

Objetivo del estudio:

• Diseñar e implementar un sistema inteligente de control ambiental interior que integre la fusión de múltiples sensores y el Modelado de Información de Construcción (BIM).
• Desarrollar una estrategia de control ambiental dinámico y energéticamente eficiente utilizando un algoritmo de aprendizaje por refuerzo profundo de actor-crítico (DACRL).
• Evaluar el rendimiento del sistema en la reducción del consumo de energía y la mejora de la CAI en diversos tipos de edificios.

Principales métodos:

• Una arquitectura colaborativa de nube-borde-terminal de cuatro capas: capas de percepción, fusión, decisión y ejecución.
• Red de sensores multimodales para la recopilación de datos distribuidos (temperatura, humedad, CO2, luz, ocupación).
• Fusión de datos espacio-temporales utilizando ponderación dinámica de ventana deslizante y filtro de Kalman extendido (EKF), con detección de anomalías mediante bosque de aislamiento y SVM de una sola clase.
• Modelo de control de aprendizaje por refuerzo profundo que incorpora la desigualdad de Lieb-Thirring (L-T) como restricción espectral dentro del algoritmo Actor-Critic.
• Control en tiempo real en bucle cerrado de HVAC, iluminación y sombreado a través del protocolo BMS.

Principales resultados:

• Consumo anual de energía por unidad de área reducido hasta en un 63,2 % en comparación con RBC y un 23,5 % en comparación con MPC.
• Mejoras significativas en las métricas de CAI: concentraciones de CO2 por debajo de 800 ppm durante el 91,5 % del tiempo y confort térmico (PMV) dentro de ±0,3 durante el 94,2 % del tiempo.
• El algoritmo DACRL demostró una convergencia estable en ~15 000 pasos de entrenamiento con solo un 4,9 % de pérdida de rendimiento en pruebas de transferencia entre edificios.

Conclusiones:

• El sistema de control inteligente propuesto equilibra eficazmente la eficiencia energética y la CAI en los edificios.
• El algoritmo DACRL, mejorado con la restricción espectral de la desigualdad L-T, ofrece un rendimiento de control robusto y generalizable.
• La integración de la fusión de múltiples sensores, BIM y IA avanzada presenta una dirección prometedora para la gestión de edificios inteligentes.