Comunicación presentada al V Congreso Edificios Energía Casi Nula:
Autores
- Andrés Royuela del Val, Investigador en formación, GIR Arquitectura & Energía, Universidad de Valladolid
- Miguel Ángel Padilla Marcos, Profesor Ayudante Doctor, GIR Arquitectura & Energía, Universidad de Valladolid
- Alberto Meiss, Profesor Contratado Doctor, GIR Arquitectura & Energía, Universidad de Valladolid
- Jesús Feijó Muñoz, Catedrático de Universidad, GIR Arquitectura & Energía, Universidad de Valladolid
Resumen
La utilización de técnicas de aprendizaje automático para inferir con precisión características del edificio a partir de condicionantes sin relación directa, abre un mundo de posibilidades en la supervisión y control de las edificaciones. En la Escuela Técnica Superior de Arquitectura de Valladolid, en el Proyecto de Investigación INFILES se están desarrollando técnicas basadas en estos algoritmos que permiten determinar el caudal de infiltración de aire, y por tanto pérdida de energía, a partir de información termográfica. El objetivo consiste en obtener sistemas de monitorización y control instantáneos, de bajo coste y fáciles de integrar, con los que realizar una supervisión del edificio y garantizar el nivel prestacional a la vez que se optimiza el consumo de recursos naturales durante su funcionamiento. En última instancia esta línea de trabajo apunta a utilizar esta tecnología como catalizador para la implementación de técnicas de optimización energética conocidas en edificación, que sin embargo no alcanzan una amplia difusión o son infrautilizadas durante la vida del edificio debido a la complejidad de su gestión y mantenimiento.
Palabras clave
Ventilación, Infiltraciones, Eficiencia, Inteligencia Artificial, Control, Monitorización, Mantenimiento, Gestión, Optimización
Introducción
En el Grupo de Investigación Reconocido Arquitectura & Energía de la Universidad de Valladolid, dentro del proyecto Nacional de investigación INFILES, se está investigando con inteligencia artificial para la medición y supervisión de las pérdidas de energía producto de las infiltraciones de aire incontroladas en edificios.
E. Barreira et al. (E. Barreira, R. M. S. F. Almeida, and M. Moreira, “An infrared thermography passive approach to assess the effect of leakage points in buildings,” Energy Build., vol. 140, pp. 224–235, Apr. 2017) observaron que las infiltraciones de aire provocan cambios térmicos en las superficies próximas que tienen relación con los cambios de diferencial de presión y por tanto con la cantidad de entrada de aire. Posteriormente C. Lerma et al. (C. Lerma, E. Barreira, and R. M. S. F. Almeida, “A discussion concerning active infrared thermography in the evaluation of buildings air infiltration,” Energy Build., vol. 168, pp. 56–66, Jun. 2018) estudiaron las posibilidades de la termografía activa para la evaluación de las infiltraciones de aire, determinando que incrementa el contraste térmico lo que mejora la apreciación del fenómeno. Sin embargo, la cuantificación de la hermeticidad o del caudal infiltrado a raíz de estas observaciones es una tarea difícil. Las posibilidades que ofrecen los algoritmos de aprendizaje automático para resolver problemas de regresión basados en hipótesis de partida complejas los hace idóneos para interpretar el comportamiento de los edificios en entornos cambiantes. Desde hace tiempo se han realizado pruebas con este tipo de algoritmos en edificios, por ejemplo, para la predicción del consumo horario de energía (P. A. González and J. M. Zamarreño, “Prediction of hourly energy consumption in buildings based on a feedback artificial neural network,” Energy Build., vol. 37, no. 6, pp. 595–601, 2005), y más recientemente para la predicción de condiciones ambientales interiores derivadas de parámetros externos, como la predicción de la temperatura central interior de un espacio dos horas después de la temperatura superficial de fachada (N. Attoue, I. Shahrour, and R. Younes, “Smart Building: Use of the Artificial Neural Network Approach for Indoor Temperature Forecasting,” Energies, 2018).
Nuestra investigación propone la aplicación de algoritmos de aprendizaje automático para la determinación precisa del caudal ventilado, observando los cambios térmicos durante la infiltración de aire. Como resultado, se ha llegado a una técnica para determinar el caudal de infiltración global de un espacio a partir de datos térmicos provenientes de una fisura controlada en la envolvente, alcanzando precisiones superiores al 95%.
Estos resultados ponen de manifiesto las posibilidades de esta tecnología en edificación, donde podrían aportar valiosa información para la gestión integral de edificios. Al final del artículo esbozamos algunas de las aportaciones previsibles.
Descripción y metodología
Objetivo de la técnica: inferencia de caudal ventilado
La técnica desarrollada consiste en la inferencia del caudal ventilado en un espacio a partir de datos sin relación directa, como es el cambio de temperatura provocado por el intercambio de aire a distintas temperaturas en una abertura controlada.
Instrumentación
Los ensayos se han desarrollado en el Laboratorio de Ventilación HS3 de la ETS de Arquitectura de la Universidad de Valladolid, en una cámara de ensayo. Se ha utilizado un sistema de adquisición de datos compuesto por dos registradores de datos multisensor para la monitorización del caudal de aire que atraviesa la cámara y la temperatura de entrada y salida.
La cámara de ensayo es estanca para garantizar una entrada y salida de aire equivalente en las dos aberturas practicadas. Dispone de un sistema de calefactación mediante suelo radiante de baja potencia que no genera movimientos de aire forzados provocados por ventiladores de fancoils o corrientes de convección de radiadores. Ello permite adaptar las condiciones térmicas de temperatura en la cámara para la generación de imágenes térmicas en las condiciones cambiantes. Para la captatación de las imágenes infrarrojas se ha utilizado una cámara Flir E75, con una resolución de salida de 320 x 240 puntos. Las aberturas de aire normalizadas se han fabricado mediante impresión 3D en plástico termofusible PLA, para garantizar unas dimensiones de orificio precisas.
Configuración de los ensayos
Para la medición de la estela térmica generada por la entrada de aire, se ha dispuesto una ranura para la admisión de aire a la cámara (fig. 4), con unas dimensiones de paso de 100 x 2 mm, 200 mm2, sobre la que se ha emplazado la superficie de representación. Esta superficie consistente en un panel negro no reflectante con elevado factor de emisividad térmica (ε = 0.9).
Debido a su alta emisividad, los cambios de temperatura provocados por el aire en la superficie de monitorización son rápidamente captados por la cámara infrarroja. Para evitar la influencia de la radiación generada por el suelo radiante sobre la superficie monitorizada ha sido necesaria la incorporación de un escudo térmico basado en el ejemplo del radiador Lambert. Éste evita su calentamiento por encima de la temperatura ambiental en el interior de la cámara debido a la radiación térmica procedente del generador térmico (suelo).
La superficie de monitorización se ubica 5 mm sobre la abertura normalizada P-2 (fig. 4), lo que permite el cambio de temperatura de la superficie según el aire entrante a la vez que evita que el flujo de aire se vea alterado significativamente al pasar la abertura. Esto genera unas imágenes térmicas como las que se pueden observar en la figura 5. Para el entrenamiento del algoritmo de inteligencia artificial se ha reducido la resolución de la imagen para evitar tiempos de cálculo innecesariamente largos.
Toma de datos
Se realizaron 3 ensayos de diferente duración para la obtención de las imágenes. En todos ellos se fue aumentando el caudal de paso por la cámara progresivamente, para después disminuirlo y en una última fase hacer cambios aleatorios del caudal. Los ensayos fueron de 2, 4 y 6 horas respectivamente, alcanzando en el mayor de ellos 21.000 muestras.
- Datos registrados:
- Imagen térmica sobre superficie de representación
- Temperatura de aire en la admisión
- Temperatura de aire en la extracción
- Caudal, tomado en la abertura de extracción
- Valores:
- 21.000 muestras de cada tipo en el mayor ensayo (en secuencia contínua): imágenes de termografía Infrarroja (IR), distribución de temperatura y caudal de aire.
- Rango de caudal promovido: 0.00 a 37.88 m3/h
- Rango de temperaturas del aire en la cámara: 24.69 a 29.64 ⁰C
- Rango de temperaturas de aire de admisión: 24.69 a 26.00 ⁰C
Red Neuronal utilizada
El algoritmo de aprendizaje automático utilizado consiste en una red neuronal densa, con una capa de entrada compuesta de 152 unidades, compuesta de 150 píxeles térmicos y dos entradas externas correspondientes con las temperaturas del aire en la admisión y en su extracción, dos capas ocultas cada una con 512 unidades y una capa de salida con una única unidad que aporta el valor del caudal inferido. El entrenamiento de la red se ha efectuado con una estación de trabajo HP Z820 de altas prestaciones computacionales.
Resultados
Los resultados obtenidos aportan un error promedio de 0.28 m3/h, lo que supone un 2.33% del rango representado en el conjunto de datos de test: más de 5000 muestras que no se utilizaron para entrenar el algoritmo. Es previsible que la precisión aumente cuando se corrijan problemas derivados de imprecisiones de medición de caudal en las franjas bajas del rango (por debajo de 2.00 m3/h). Si nos ceñimos al intervalo medio del rango, entre 2.50 y 9.00 m3/h, los resultados son mucho mejores, con errores por debajo del 1.00% del caudal medido.
En las muestras de la figura 7 se pueden observar los valores termográficos, de temperatura del aire utilizados como entrada, los valores de caudal (Q) medidos que se corresponden con lo que el programa debería inferir, y los valores de caudal inferidos por el algoritmo (QŶ).
Conclusiones
Los resultados obtenidos ponen de manifiesto que la inferencia de propiedades difíciles de medir, como las pérdidas térmicas debidas a infiltraciones, es posible mediante la medición de otros parámetros más fáciles de controlar, como es la variación de temperatura en distintos puntos de las proximidades de una abertura. Esta técnica podría habilitar procedimientos de supervisión de las edificaciones que, si bien pueden ser complementarios a otros vigentes como los ensayos realizados por técnicas consolidadas como la Blower Door, también pueden prestar servicio en un contexto distinto, como es la monitorización permanente de edificios.
Retos y generalización de la técnica
Una de las principales dificultades que nos encontramos a la hora de incorporar algoritmos de inteligencia artificial en aplicaciones reales es la capacidad de generalización. Deben realizarse más ensayos con situaciones distintas para obtener un algoritmo capaz de inferir el caudal ventilado con mediciones térmicas (no necesariamente mediante termografías), en ranuras normalizadas situadas en espacios de distinta naturaleza y uso. La utilización de redes profundas (con más capas ocultas) permitiría extender su aplicación.
Aplicaciones paralelas en edificación
Actualmente tenemos una gran disponibilidad de tecnologías de medición, comunicación y computación que facilitan la monitorización del comportamiento de los edificios y su actividad (A. S. Ali, Z. Zanzinger, D. Debose, and B. Stephens, “Open Source Building Science Sensors (OSBSS): A low-cost Arduino-based platform for long-term indoor environmental data collection,” Build. Environ., vol. 100, pp. 114–126, 2016). Por otra parte, disponemos de tecnologías edificatorias avanzadas, con numerosos tipos de instalaciones de climatización, procedimientos constructivos y herramientas de diseño. Sin embargo, la adquisición y procesamiento de la información, al igual que la gestión de las instalaciones más avanzadas, es una tarea compleja técnicamente, que provoca que el traslado tecnológico de la experimentación al mercado edificatorio sea lento y en ocasiones se vea truncado en las edificaciones más limitadas presupuestariamente. Una dificultad añadida es la integración de distintos sistemas de manera que funcionen complementaria y coherentemente entre sí.
La incorporación del aprendizaje automático en este proceso de gestión de la información puede tener un impacto relevante. Puede aportar simplicidad en la gestión de equipos complejos, la detección de anomalías, o autoregulación del consumo energético. En el campo científico permitiría ahondar en el conocimiento de propiedades de los edificios difíciles de determinar en la actualidad, como la influencia en el consumo de la inercia térmica, los regímenes de uso y los tipos constructivos en distintas situaciones. En el campo del control y gestión, optimizaría el uso de instalaciones y energía en edificios con sistemas complejos, permitiendo la incorporación de técnicas avanzadas y sistemas pasivos donde actualmente no se instalan por incapacidad de gestión durante la vida útil del edificio, o donde están infrautilizados. Por ejemplo, la inteligencia artificial simplificaría sustancialmente la gestión integral de elementos pasivos de captación, sombreamiento, freecooling, tubos canadienses, etc., en combinación con las instalaciones de climatización convencionales. Hay investigaciones sobre novedosos métodos de control para sistemas termoactivos (M. Schmelas, T. Feldmann, and E. Bollin, “Adaptive predictive control of thermo-active building systems (TABS) based on a multiple regression algorithm,” Energy Build., vol. 103, pp. 14–28, 2015), sistemas HVAC (M. Razmara, M. Maasoumy, M. Shahbakhti, and R. D. Robinett, “Optimal exergy control of building HVAC system,” Appl. Energy, vol. 156, pp. 555–565, 2015), si bien sólo un sistema inteligente haría viable una gestión integral. Permitiría además el autoajuste de la tecnología existente, como curvas de encendido en calderas, o utilización de las bombas de agua y válvulas proporcionales que en numerosas ocasiones acaban utilizándose sin el procedimiento de control óptimo.
Agradecimientos
Esta investigación se ha desarrollado en el marco del proyecto Nacional de I+D+i INFILES: “Repercusión Energética de la permeabilidad del aire de los edificios residenciales en España. Estudio y caracterización de sus infiltraciones”, financiado por el Ministerio de Economía y Competitividad (referencia BIA2015-64321-R).