User: Guest  Login
Less Searchfields
Simple search
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