Интеллектуальная многоцелeвая оптимизация теплового комфорта и эффективности вентиляции при проектировании стратумной вентиляции

Почему воздух вокруг вашего стола имеет значение

Мы проводим большую часть жизни в помещениях, но невидимый поток воздуха вокруг нас сильно влияет на то, насколько мы здоровы, бдительны и комфортно себя чувствуем. Системы отопления и охлаждения обычно проектируют по частям — один инструмент предсказывает условия, другой сокращает энергопотребление, третий помогает с решениями — в результате операторам зданий приходится работать с компромиссами методом проб и ошибок. В этом исследовании показано, как эти элементы можно объединить в единый «интеллектуальный» процесс проектирования для перспективной технологии — стратумной вентиляции, которая подает свежий воздух прямо в зону дыхания, а не просто перемешивает весь воздух в помещении.

Целенаправленный приток свежего воздуха вместо универсального решения

Традиционные системы часто перемешивают весь воздух в комнате или подают его снизу вверх. Стратумная вентиляция идет по другому пути: она подает очищенный кондиционированный воздух горизонтально примерно на уровне головы, так что находящиеся в помещении дышат более свежим воздухом с меньшими усилиями и во многих случаях с меньшими энергозатратами. Сложность в том, что комфорт, качество воздуха и эффективность отопления направлены в разные стороны. Изменение скорости струи воздуха, угла сопла, температуры воздуха, теплового состояния стены или даже того, как тепло одеты люди, может по-разному улучшать или ухудшать эти три цели в сложной взаимосвязи. Авторы используют детальные компьютерные симуляции типичного офиса и превращают их в данные, которые могут научить интеллектуальную систему тому, как эти факторы взаимодействуют.

Обучение компьютера предсказывать комфорт и свежесть

На основе 50 тщательно верифицированных симуляций команда обучает искусственные нейронные сети — компьютерные модели, отчасти вдохновленные работой мозга — предсказывать четыре ключевых результата: среднее ощущение тепла людьми, время застоя воздуха до его замены, разницу температур между головой и лодыжками и эффективность использования тепловой энергии. Затем две поисковые стратегии — генетический алгоритм и алгоритм «ястребиных соколов Харриса» — автоматически настраивают внутренние параметры этих сетей, чтобы прогнозы максимально соответствовали результатам симуляций. Эволюционный генетический алгоритм оказался немного лучше, достигая коэффициентов корреляции выше 0.995, что означает, что предсказания модели почти полностью совпадают с исходными результатами симуляций.

Поиск оптимальных областей, а не одной единственной точки

Когда компьютер научился мгновенно предсказывать характеристики, авторы позволили многоцелевому оптимизатору исследовать тысячи возможных настроек дизайна. Вместо погоня за единственным «лучшим» решением он строит «фронт Парето» компромиссов — рабочие точки, где невозможно улучшить комфорт, свежесть воздуха или вертикальную однородность температуры, не ухудшив хотя бы один из остальных показателей. Результаты выявляют ясные закономерности. Люди чувствуют себя наиболее нейтрально, когда подаваемый поток воздуха довольно быстр, но не создает сквозняков (примерно 1.18–1.20 м/с), слегка теплый (около 22 °C), а теплоизоляция одежды примерно соответствует легкому свитеру. Свежесть улучшается при небольших углах сопла и более мощных струях, которые быстрее вымывают старый воздух, тогда как нежелательная стратификация — теплый слой у потолка и прохладный у пола — уменьшается при более широких углах сопла и умеренно теплых стенах. Замечательно, что эффективность отопления остается высокой и практически неизменной во всех этих конкурирующих решениях.

Преобразование облака вариантов в конкретные решения

Для проектировщиков и менеджеров по эксплуатации облако равноценных по качеству вариантов все равно представляет практическую задачу. Чтобы сделать результаты применимыми, авторы используют метод принятия решений VIKOR, который ранжирует оптимизированные решения в зависимости от приоритетов. Они формируют десять типичных «сценариев». Один отдает приоритет чистому комфорту — идеально для кабинетов руководителей или палат в больнице. Другой ориентирован на быстрое обновление воздуха, что лучше подходит для клиник или переполненных классов, где важен риск заражения. Остальные уравновешивают комфорт, свежесть и вертикальную однородность температуры для больших залов, спортзалов или офисов открытой планировки. Для каждого сценария приведены конкретные диапазоны угла сопла, скорости воздуха, температуры воздуха и стен, а также ожидаемый уровень утепленности одежды, что превращает абстрактную оптимизацию в простые настройки, которыми может управлять оператор здания.

Что это значит для обычных зданий

Для неспециалиста посыл прост: больше не нужно угадывать, как добиться комфортного, здорового и энергоэффективного воздуха в помещении. Комбинируя продвинутые инструменты предсказания, автоматический поиск и прозрачное ранжирование вариантов, это исследование предлагает дорожную карту для настройки стратумной вентиляции под разные типы помещений и приоритеты. На практике это может означать офисы, где люди чувствуют себя комфортно без чрезмерного обогрева, больничные палаты, где свежий воздух надежнее достигает пациентов, и большие площадки, где неприятность «теплая голова — холодные ноги» сведена к минимуму. Работа демонстрирует, что интеллектуальное проектирование может превратить абстрактное обещание лучшей вентиляции в конкретные, регулируемые настройки, работающие в реальном мире.

Цитирование: 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

Ключевые слова: качество воздуха в помещении, тепловой комфорт, стратумная вентиляция, энергоэффективные здания, оптимизация с помощью машинного обучения