Login
- Original title:
- Machine Learning-Based Virtual Sensing of Indoor Air Pollutants
- Original subtitle:
- Enabling Demand-Controlled Ventilation for Improved Indoor Air Quality and Energy Efficiency
- Translated title:
- Machine Learning basiertes Virtual Sensing von Innenluftschadstoffen
- Translated subtitle:
- Verbesserung der Innenluftqualität und Energieeffizienz durch bedarfsgerechte Lüftung
- Author:
- Gabriel, Martin
- Year:
- 2024
- Document type:
- Dissertation
- Faculty/School:
- TUM School of Engineering and Design
- Institution:
- Lehrstuhl für Gebäudetechnologie und klimagerechtes Bauen (Prof. Auer)
- Advisor:
- Auer, Thomas (Prof.)
- Referee:
- Auer, Thomas (Prof.); Petzold, Frank (Prof. Dr.); Wortmann, Thomas (Prof. Dr.)
- Language:
- en
- Subject group:
- ARC Architektur
- Keywords:
- machine learning ; deep learning ; virtual sensing ; LSTM ; IAQ ; monitoring ; demand controlled ventilation
- Translated keywords:
- machine learning ; deep learning ; virtual sensing ; LSTM ; Innenluftqualität ; Monitoring ; Bedarfsgerechte Lüftung
- TUM classification:
- ARC 370; ARC 165
- Abstract:
- 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.
- Translated abstract:
- 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
- Date of submission:
- 09.01.2024
- Oral examination:
- 09.07.2024
- File size:
- 28302446 bytes
- Pages:
- 226
- Urn (citeable URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240709-1731027-1-4
- Last change:
- 23.07.2024
BibTeX