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