Internet of Things (IoT) e Machine Learning per la valutazione del comfort termo igrometrico negli edifici

Il comfort termo-igrometrico è definito come la soddisfazione psicofisica di un individuo nei confronti dell’ambiente in cui è immerso. Nel corso degli anni questo aspetto ha assunto un ruolo fondamentale nella valutazione delle prestazioni degli edifici.

Il comfort termo-igrometrico è tradizionalmente analizzato considerando gli indici PMV (Predicted Mean Vote) e PPD (Predicted Percentage of Dissatisfied), definiti dallo standard di riferimento (UNI EN ISO 7730:2006). Tali indici si basano sull’assunto che gli utenti scambiano passivamente calore con l’ambiente circostante attraverso una equazione di bilancio termico che trae fondamento dell’esperienza di Fanger del 1970.

Studi recenti hanno messo in evidenza come un livello soddisfacente di comfort termico possa essere influenzato non soltanto dal modello fisico di scambio termico ma è basato su un concetto olistico che comprende anche aspetti comportamentali, fisiologici, psicologici e culturali dell’individuo. 

Dal 1970 ad oggi nuove innovazioni tecnologiche sono state introdotte per il miglioramento delle prestazioni dell’ambiente, con particolare riguardo alla soddisfazione degli utenti finali. Ad esempio l’Internet of Things (IoT), inteso come network di oggetti smart connessi e interconnessi, ha permesso di svolgere più agevolmente determinate azioni e, in generale, di aumentare il livello di interazioni tra gli oggetti e gli utenti.

Diversi progetti e applicazioni hanno consentito di creare ambienti e soluzioni “smart” anche basati sull’utilizzo di hardware open source così da consentire una rapida diffusione e ottimizzazione di best practice. Conseguenza naturale del diffondersi dell’IoT è l’accumulo di dati sempre crescente che ha dato senso e piena attuazione ad un sottoinsieme dell’Artificial Intelligence (AI) noto come Machine Learning (ML) che letteralmente apprende informazioni direttamente dai dati disponibili, senza modelli deterministici ed equazioni predeterminate. Il trend di parole chiave quali IoT, ML e AI, sul web mostra come l’interesse degli utenti su queste tematiche sia in costante crescita e che picchi o flessioni sembrano strettamente correlati. 

andamento-iot-intelligence-artificial.JPG

Partendo da questo stato di fatto, l’Unità di Ricerca SG2 - Energetica, Qualità ambientale e Acustica dell’Istituto delle Tecnologie della Costruzione del Consiglio Nazionale delle Ricerche (ITC-CNR) ha messo appunto un workflow che connette i temi del ML con quelli dell’IoT attraverso l’utilizzo di nEMoS, uno strumento nearable sviluppato da ITC, insieme con dispositivi wearable e feedback degli utenti. 

nemos.JPG

Combinando i dati derivanti dai dispositivi nearable e wearable con quelli dei soggetti è possibile valutare il comfort termoigrometrico superando l’approccio classico attraverso l’analisi delle specifiche condizioni psicofisiche degli utenti in modo da poter mettere in risalto altre possibili relazioni tra variabili oggettive e soggettive. 


Bibliografia:
Salamone, F.; Belussi, L.; Currò, C.; Danza, L.; Ghellere, M.; Guazzi, G.; Lenzi, B.; Megale, V.; Meroni, I. Integrated Method for Personal Thermal Comfort Assessment and Optimization through Users’ Feedback, IoT and Machine Learning: A Case Study. Sensors 2018, 18, 1602.
Salamone, F.; Belussi, L.; Currò, C.; Danza, L.; Ghellere, M.; Guazzi, G.; Lenzi, B.; Megale, V.; Meroni, I. Application of IoT and Machine Learning techniques for the assessment of thermal comfort perception. ATI 2018. Pisa 12-14 settembre 2018.