Development of information and optimisation solutions for real-time monitoring of indoor air quality
Développement de solutions d’information et d’optimisation de la qualité de l’air intérieur renseignée en temps réel
Résumé
The global objective of this research is to develop a system that provides information about sources and events influencing the temporal variation of indoor air pollutants, in order to optimize the action to be taken to reduce the exposure of the occupants. This study investigated a typical indoor air database obtained via a monitoring campaign performed in a real open-plan office. Indoor and outdoor pollutant concentrations and climatic parameters, occupancy and openings’ status were recorded over a long period and with a fine time step. Inverse modeling based mainly on statistical analysis and machine learning has been performed in order to achieve the two main objectives: (i) the identification of indoor sources (processes) explaining the variation of indoor particulate matter concentrations, and (ii) the development of a predicting model for window opening action in the open-plan office.In the first part, the identification of the pollutant sources and their relative contributions to the levels of indoor air particle concentrations has been achieved by a tensor decomposition method called PARAFAC (Harshman, 1970). This method can cope with data arrays of a high number of dimensions. The analyzed tensors corresponded to different combinations of parameters monitored in the open-plan office or outdoors. The different configurations always included size-resolved particle data and, sometimes, other environmental parameters in two different cases: monitored indoors or, indoors and outdoors simultaneously; in addition, the tensor structures were arranged according to daily and hourly profiles. PARAFAC outputs were analyzed in terms of sources using complementary data analysis and signal treatment methods. The method allowed to determine the relative contributions of the identified sources and the attributable concentration at a given time. The identification model created by PARAFAC can be integrated in a real-time system to provide information about the pollutant sources at a given moment, helping to take decisions in order to avoid high pollution levels.The second part of this thesis is dedicated to the prediction of the opening state of a group of windows in the open-plan office. Three machine learning methods: Decision Trees, k-Nearest Neighbors and Kernel Approximation have been implemented. To select the appropriate set of features for the model's input, the autocorrelation functions of the different variables and the predictor importance estimates were calculated. Validation tests were performed to compare the outputs of the models and the measured windows states monitored during 18 months in the office. According to the different evaluation indicators, the results show that all the three models perform well with the testing sets. The developed methods can be helpful for understanding occupants' behavior and also for controlling indoor air pollutant levels in buildings, either as a standalone model or a part of a real-time indoor air quality monitoring system.
L'objectif global de cette recherche est de développer un système qui fournit des informations sur les sources et les événements influençant la variation temporelle des polluants de l'air intérieur, afin d'optimiser les actions à entreprendre pour réduire l'exposition des occupants. Cette étude a exploré une base de données typique pour la qualité de l'air intérieur dans un bureau paysager, obtenue via une campagne de mesure. Les concentrations de polluants intérieurs et extérieurs et les paramètres climatiques, l'occupation et l'état des ouvrants ont été enregistrés sur une longue période et avec un pas de temps fin. Une modélisation inverse basée principalement sur l'analyse statistique et l'apprentissage automatique a été réalisée afin d'atteindre les deux objectifs principaux : (i) l'identification des sources intérieures (processus) expliquant la variation des concentrations de particules à l'intérieur, et (ii) le développement d'un modèle de prédiction de l'action d'ouverture des fenêtres dans le bureau paysager.Dans la première partie, l'identification des sources de polluants et de leurs contributions relatives aux niveaux de concentrations de particules dans l'air intérieur a été réalisée par une méthode de décomposition tensorielle appelée PARAFAC (Harshman, 1970). Cette méthode permet de traiter des tableaux de données de grandes dimensions. Les tenseurs analysés correspondent à différentes combinaisons des paramètres mesurés à l'intérieur du bureau paysager ou à l'extérieur de l'immeuble. Les différentes configurations comprennent toujours des données sur la granulométrie des particules et, parfois, d'autres paramètres environnementaux dans deux cas : mesurés à l'intérieur ou à l'intérieur et à l'extérieur du bureau simultanément ; de plus, les structures tensorielles sont organisées selon des profils journaliers et horaires également. Les sorties de PARAFAC ont été analysées en termes de sources en utilisant des méthodes complémentaires d'analyse des données et de traitement du signal. Cette méthode a permis de déterminer les contributions relatives des sources identifiées et leur concentration attribuable à un moment donné. Le modèle d'identification créé par PARAFAC peut être intégré dans un système en temps réel pour fournir des informations sur les sources de polluants à un moment donné, aidant ainsi à la prise de décision pour éviter des niveaux élevés de pollution.La deuxième partie de la thèse est dédiée à la prédiction de l'état d'ouverture d'un groupe de fenêtres dans le bureau paysager. Trois méthodes d'apprentissage automatique : Decision Trees, k-Nearest Neighbors et Kernel Approximation ont été mises en œuvre. Pour sélectionner l'ensemble le plus approprié de caractéristiques à utiliser comme entrées du modèle, les fonctions d'autocorrélation des différentes variables et les estimations de l'importance des prédicteurs ont été calculées. Des tests de validation ont été effectués pour comparer les sorties des modèles et les états mesurés des fenêtres mesurés pendant 18 mois dans le bureau. Selon les différents indicateurs d'évaluation, les résultats montrent que les trois modèles sont performants sur les ensembles de test. Les méthodes développées peuvent être utiles pour comprendre le comportement des occupants et aussi pour contrôler les niveaux de polluants de l'air intérieur dans les bâtiments, soit en tant que modèle autonome, soit comme partie intégrante d'un système de contrôle de la qualité de l'air intérieur en temps réel.
Origine : Version validée par le jury (STAR)