Optimización multiobjetivo inteligente del confort térmico y el rendimiento de ventilación en el diseño de ventilación estratificada

Por qué importa el aire alrededor de tu mesa

Pasamos la mayor parte de nuestras vidas en interiores, pero el aire invisible que nos rodea influye de forma determinante en lo sanos, alertas y cómodos que nos sentimos. Los sistemas de calefacción y refrigeración suelen diseñarse por partes: una herramienta para predecir las condiciones, otra para reducir el consumo energético y una tercera para apoyar decisiones, dejando a los gestores de edificios lidiar con compensaciones por ensayo y error. Este estudio muestra cómo estos elementos pueden integrarse en un proceso de diseño “inteligente” para un sistema prometedor llamado ventilación estratificada, que suministra aire fresco directamente en la zona de respiración en lugar de limitarse a agitar todo el volumen de la sala.

Aire fresco dirigido en lugar de una solución única

Los sistemas tradicionales suelen mezclar todo el aire de una habitación o lo impulsan desde el suelo hacia arriba. La ventilación estratificada toma otra vía: suministra aire limpio y acondicionado en dirección horizontal a la altura aproximada de la cabeza, de modo que los ocupantes respiran aire más fresco con menos esfuerzo y, en muchos casos, con menor consumo energético. El reto es que el confort, la calidad del aire y la eficiencia térmica pueden empujar en direcciones distintas. Cambiar la velocidad del chorro de suministro, el ángulo de la rejilla, la temperatura del aire, la calidez de la pared o incluso la ropa que lleva la gente puede mejorar o empeorar estos tres objetivos de formas complejas. Los autores usan simulaciones informáticas detalladas de una oficina tipo y las convierten en datos que pueden enseñar a un sistema inteligente cómo interactúan estos factores.

Enseñar a un ordenador a predecir confort y frescura

A partir de 50 simulaciones cuidadosamente validadas, el equipo entrena redes neuronales artificiales—modelos informáticos inspirados de forma laxa en el cerebro—para predecir cuatro resultados clave: la sensación térmica media, el tiempo que tarda el aire en renovarse, la diferencia de temperatura entre cabeza y tobillos, y la eficiencia en el uso de la energía de calefacción. Luego dejan que dos métodos de búsqueda, un algoritmo genético y una estrategia de “halcones de Harris”, ajusten automáticamente los parámetros internos de estas redes para que las predicciones se alineen lo máximo posible con los datos simulados. El algoritmo genético, de estilo evolutivo, resulta ligeramente mejor, alcanzando puntuaciones de correlación por encima de 0,995, lo que significa que las predicciones del modelo casi coinciden con los resultados de la simulación original.

Buscar puntos óptimos, no un único punto perfecto

Una vez que el ordenador puede predecir el rendimiento al instante, los autores permiten que un optimizador multiobjetivo explore miles de ajustes de diseño posibles. En lugar de perseguir una única mejor respuesta, construye un “frente de Pareto” de compensaciones: puntos de funcionamiento en los que no se puede mejorar el confort, la frescura del aire o la uniformidad vertical de la temperatura sin perjudicar al menos uno de los otros. Los resultados revelan patrones claros. Las personas se sienten más neutrales cuando el aire de suministro es bastante rápido pero no causante de corrientes (unos 1,18–1,20 m/s), ligeramente cálido (alrededor de 22 °C), y cuando el aislamiento de la ropa es el equivalente a llevar un jersey ligero. La frescura mejora con ángulos de rejilla pequeños y chorros más fuertes, que expulsan el aire viejo más rápidamente, mientras que la estratificación indeseada de aire caliente en la parte superior y más frío en la inferior se reduce con ángulos de rejilla más abiertos y paredes moderadamente cálidas. De forma notable, la eficiencia de la calefacción se mantiene alta y casi constante entre todas estas soluciones competidoras.

Convertir una nube de opciones en elecciones concretas

Para diseñadores y responsables de instalaciones, una nube de opciones igualmente válidas sigue siendo un rompecabezas práctico. Para que los resultados sean utilizables, los autores aplican un método de toma de decisiones llamado VIKOR que clasifica las soluciones optimizadas según diferentes prioridades. Construyen diez “escenarios” representativos. Uno favorece el confort puro—ideal para despachos ejecutivos o habitaciones de hospital. Otro se centra en la renovación rápida del aire, más adecuado para clínicas o aulas concurridas donde el riesgo de infección es una preocupación. Otros equilibran confort, frescura y uniformidad vertical de temperatura para grandes salas, gimnasios u oficinas de planta abierta. Cada escenario incluye rangos específicos para el ángulo de la rejilla, la velocidad del aire, la temperatura del aire y de las paredes, y los niveles de vestimenta esperados, convirtiendo la optimización abstracta en perillas sencillas que un operador puede ajustar.

Qué significa esto para los edificios cotidianos

Para un público no especialista, el mensaje es claro: ya no hace falta adivinar para lograr un aire interior cómodo, sano y eficiente. Al combinar herramientas avanzadas de predicción, búsqueda automatizada y clasificación transparente de opciones, este estudio ofrece una hoja de ruta para ajustar sistemas de ventilación estratificada a distintos tipos de espacios y prioridades. En la práctica, eso podría traducirse en oficinas donde la gente se siente cómoda sin disparar la calefacción, plantas hospitalarias donde el aire fresco llega a los pacientes de forma más fiable y grandes recintos donde se controla la sensación de cabeza caliente y pies fríos. El trabajo demuestra que el diseño inteligente puede convertir la promesa abstracta de una mejor ventilación en ajustes concretos y ajustables que funcionan en el mundo real.

Cita: Hammouda, N.G., Ahmed, Z., Omar, I. et al. Intelligent multi-objective optimization of thermal comfort and ventilation performance in stratum ventilation design. Sci Rep 16, 6272 (2026). https://doi.org/10.1038/s41598-026-36233-7

Palabras clave: calidad del aire interior, confort térmico, ventilación estratificada, edificios energéticamente eficientes, optimización con aprendizaje automático