AirQ-Monitor: Monitorización de la ventilación y detección de CO2
La monitorización continua durante un período prolongado es esencial para obtener una comprensión profunda de los patrones de uso, los perfiles de ocupación de los edificios analizados y la potencial mejora de su habitabilidad. En situaciones donde el confort térmico y de humedad es inadecuado, se hace necesario evaluar y ajustar el sistema de aire acondicionado, los mecanismos de control y regulación, la necesidad de humidificación o deshumidificación y realizar los ajustes necesarios para lograr condiciones de confort adecuadas.
En este contexto hay que señalar que Energesis ha desarrollado AirQ-Monitor, un dispositivo diseñado para la monitorización de la ventilación de los edificios y la detección de CO2, que, además mide la presión atmosférica, la temperatura y la humedad del local y, adicionalmente, estima el número de personas presentes en el local monitorizado.
Las variables sensadas se almacenan en la nube, siendo fácilmente accesibles a través de una página web desde la que se pueden consultar, visualizar gráficamente y detectar las situaciones en las que ha existido una concentración excesiva de CO2. Este sistema permite la emisión de informes sobre la calidad de la ventilación en cualquier periodo elegido y el análisis de los datos registrados.
Energesis ha sido el proveedor tecnológico de un proyecto de investigación en el que se han aplicado herramientas de Inteligencia Artificial para el análisis de los datos obtenidos con AirQ-Monitor en varios dispositivos instalados en el campus de Vera de la Universitat Politècnica de Valencia, en España. En este proyecto se usaron redes neuronales para predecir los valores de CO2 y de la temperatura de los locales analizados. Para ello se entrenaron las redes neuronales y se procesaron más de 200.000 datos de CO2. El modelo de Inteligencia Artificial desarrollado obtuvo predicciones para un intervalo de 24 horas con un error de 13.82 ppm para el CO2 y de 0.46 °C para la temperatura de los locales monitorizados.
Los resultados de este proyecto fueron recogidos en el artículo:
Reyes Pérez, C.A.; Iglesias Martínez, M.E.; Guerra Carmenate, J.; Michinel Álvarez, H.; Balvis, E.; Giménez Palomares, F.; Fernández de Córdoba, P. Indoor Air Quality Analysis Using Recurrent Neural Networks: A Case Study of Environmental Variables. Mathematics 2023, 11, 4872. https://doi.org/10.3390/math11244872
