Despliegue en el mundo real de control basado en aprendizaje por refuerzo profundo para la mitigación de PM2.5...

Área de la Ciencia:

• Ciencias e Ingeniería Ambiental
• Inteligencia Artificial en Hogares Inteligentes
• Gestión de la Calidad del Aire Interior

Sus antecedentes:

• La contaminación por material particulado fino (PM2.5) en interiores, especialmente de la cocina, representa un riesgo significativo para la salud.
• Los estudios existentes de control de PM2.5 en interiores basados en DQN carecen de validación en el mundo real en entornos de varias habitaciones en condiciones de altas emisiones.
• Necesidad de estrategias de control inteligentes para mitigar el PM2.5 en interiores y al mismo tiempo optimizar el consumo de energía.

Objetivo del estudio:

• Desarrollar y validar un controlador basado en DQN para la gestión inteligente de ventanas, purificadores de aire y campanas extractoras en una residencia a escala completa.
• Mitigar la contaminación por PM2.5 en interiores, especialmente de las emisiones de la cocina, minimizando al mismo tiempo el consumo de energía.
• Evaluar el rendimiento de la estrategia basada en DQN frente a los métodos de control de referencia y automatizados estándar.

Principales métodos:

• Implementación de un controlador basado en DQN en un entorno residencial de varias habitaciones.
• Desarrollo de estrategias de control de referencia y automatizadas que reflejen los comportamientos típicos del hogar y la configuración predeterminada.
• Validación en el mundo real en condiciones de altas emisiones, midiendo las eficiencias de eliminación de PM2.5, la duración por debajo de las directrices de la OMS y la rentabilidad.

Principales resultados:

• La estrategia basada en DQN logró eficiencias de eliminación de PM2.5 significativamente mayores (20,61 % en la cocina, 80,61 % en la sala de estar, 69,43 % en el dormitorio) en comparación con las estrategias automatizadas (4,48 %, 49,06 %, 43,58 %) y de referencia.
• Los niveles de PM2.5 en interiores se mantuvieron por debajo de las directrices de la OMS durante más del 80 % del tiempo con el control DQN, frente al 52 % para el automatizado y el 38 % para el de referencia.
• Las relaciones efectividad-costo para la estrategia DQN fueron sustancialmente más altas, lo que indica una eficiencia de costos superior en la mitigación de PM2.5.

Conclusiones:

• La estrategia de control propuesta basada en DQN ofrece una solución eficaz, escalable y basada en datos para la gestión inteligente de la calidad del aire interior en residencias reales.
• Este enfoque equilibra con éxito los objetivos críticos de mitigación de PM2.5 con la eficiencia de costos energéticos y operativos.
• El estudio valida la aplicabilidad práctica del control avanzado de IA para mejorar la calidad del aire residencial y la salud pública.