Benutzer: Gast  Login
Originaltitel:
Machine Learning-Based Virtual Sensing of Indoor Air Pollutants
Originaluntertitel:
Enabling Demand-Controlled Ventilation for Improved Indoor Air Quality and Energy Efficiency
Übersetzter Titel:
Machine Learning basiertes Virtual Sensing von Innenluftschadstoffen
Übersetzter Untertitel:
Verbesserung der Innenluftqualität und Energieeffizienz durch bedarfsgerechte Lüftung
Autor:
Gabriel, Martin
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Engineering and Design
Institution:
Lehrstuhl für Gebäudetechnologie und klimagerechtes Bauen (Prof. Auer)
Betreuer:
Auer, Thomas (Prof.)
Gutachter:
Auer, Thomas (Prof.); Petzold, Frank (Prof. Dr.); Wortmann, Thomas (Prof. Dr.)
Sprache:
en
Fachgebiet:
ARC Architektur
Stichworte:
machine learning ; deep learning ; virtual sensing ; LSTM ; IAQ ; monitoring ; demand controlled ventilation
Übersetzte Stichworte:
machine learning ; deep learning ; virtual sensing ; LSTM ; Innenluftqualität ; Monitoring ; Bedarfsgerechte Lüftung
TU-Systematik:
ARC 370; ARC 165
Kurzfassung:
This work introduces a machine learning approach to monitor indoor air pollutants, enabling improved indoor air quality and energy efficiency through integration with demand-controlled ventilation systems. Utilizing multiyear data from non-residential typologies for training and validation, the resulting virtual sensors enable substantial energy reductions in two case studies by optimizing ventilation control, achieving up to 95% in ventilation energy savings.
Übersetzte Kurzfassung:
In dieser Arbeit wird ein Verfahren zum Monitoring von Luftschadstoffen auf Basis von Machine Learning vorgestellt. Durch die Integration in bedarfsgerechte Lüftungssysteme ermöglicht dies eine verbesserte Luftqualität in Innenräumen sowie eine höhere Energieeffizienz. Mehrjährige Daten aus Nichtwohngebäuden wurden für Training und Validierung virtueller Sensoren verwendet, welche in zwei Fallstudien eine Energieeinsparung der Lüftung von bis zu 95 % ermöglichen.
WWW:
https://mediatum.ub.tum.de/?id=1731027
Eingereicht am:
09.01.2024
Mündliche Prüfung:
09.07.2024
Dateigröße:
28302446 bytes
Seiten:
226
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240709-1731027-1-4
Letzte Änderung:
23.07.2024
 BibTeX