Real-time monitoring of indoor air quality in an office
Suivi dynamique en Temps Réel de la qualité de l'air Intérieur dans un environnement de Bureaux
Résumé
The indoor environment is subject to climatic fluctuations but also to other not always random fluctuations created by human, his presence and activities. Whereas physicochemical models can achieve successful dynamic simulations of the concentration of several chemical species in a controlled environments, the presence of man in real environments makes the use of such models particularly difficult.
Real-time monitoring of indoor air parameters combined with criteria of use like human presence and windows openings can help to assess the key role of human on indoor air quality in his environment.
The present works aims to anticipate active instrumentation of the indoor environment to measure one or several pollutants. In particular, methods to identify pollutant sources and their temporal variation along with a method to forecast the indoor air level of pollutants are expected. These tools could help a building manager to control and prevent exceedance of predefined reference values to occur.
The strategy adopted is to monitor with a short timestep (1 to 20 min) the indoor concentration of target pollutants (formaldehyde and particles) in an open space office during at least one year in real conditions. Outdoor levels are also monitored. The office is also equipped to monitor occupancy, the opening of windows and both indoor and outdoor climatic parameters, along with several pollutants from outdoors (nitrogen oxides, ozone, CO) during specific periods. These data are used to develop a model to extract pollutant source and a model to forecast indoor levels.
The variability of indoor concentration of both formaldehyde and particles was determined. Formaldehyde did not exhibit a particular daily pattern so different are day profiles from one another. The influence of human presence and windows openings on observed indoor levels is not always the same. But the overall effect remains weak throughout a year. The seasonality of indoor formaldehyde concentration is more apparent in the absence of occupants and windows closed.
The temporal variation of particle levels depends on their size. Fine particle levels are not affected by human presence or windows openings. Coarse particles are strongly impacted by the presence of occupants and in particular the activity of a laser printer in the open space office and not as much with windows openings. Intermediate particle levels rely more on the occupants opening windows than its mere presence.
The variability of air exchange rate was estimated with an automatic algorithm that detects decrease sequences of CO2 levels and calculates the appropriate AER. Despite being fragmentary, the data show the high variation of AER with time in particular during human presence.
The observed relationships between the indoor concentration of pollutants and the other parameters which covariate most of the time, stress the need to deconvoluate their contribution. As such, four blind source separation methods were used to extract independent sources of fluctuations and estimate their relative contribution: ICA (independent component analysis), NMF (non-negative matrix factorization), PMF (positive matrix factorization) and PCA (principal component analysis). The factors extracted represent independent sources of fluctuations. Apart from PCA, the different methods bestow components that showed similar contribution profiles.
CART classification tree was used to develop a predictive model of windows opening state based on calendar, climatic and human presence data. Despite optimum performance, it needs improvements to achieve better predictions of the windows opening state from one year to the other.
To forecast indoor concentration of pollutants, a hybrid model was developed combining spectral decomposition of the monitored concentration by multistage FFT with a non-linear forecasting model based either on threshold autoregressive models (FFT/SETAR) or based on dynamical systems theory (FFT/Chaos). The forecast horizon for indoor formaldehyde concentration with this model is about 10 hours.
When the concentration dynamic bestow a significant seasonality, a seasonal decomposition coupled with a simple autoregressive model (STL/ARIMA) is sufficient to reach a forecast horizon of several tens of hours depending on the noise level around the seasonality.
This study has tried to show with a limited number of monitored parameters how indoor air quality depends on other factors all tied to time and how the temporal structure of data can help us to better understand it and better predict it.
L’environnement intérieur réel est sujet aux fluctuations climatiques, mais aussi et surtout aux fluctuations pas toujours aléatoires imposées par l’homme, occupant les locaux, et ses activités. Alors que les modèles physico-chimiques parviennent assez bien à représenter l’évolution de différentes espèces chimiques dans un environnement contrôlé, la présence de l’homme rend particulièrement difficile l’application de ces modèles dans un environnement réel.
La mesure en continu des paramètres de qualité de l’air conjointement à des critères d’usages comme la présence ou l’ouverture des fenêtres peut permettre d’appréhender le rôle central de l’homme sur la qualité de l’air intérieur de son environnement.
Ce projet cherche ainsi à anticiper l'instrumentation active future d'un environnement intérieur pour le suivi d'un ou plusieurs polluants. Il vise notamment à fournir une méthodologie d'exploitation des données pour identifier leurs sources de fluctuations et développer un modèle de prévision de la qualité de l'air. Cette méthodologie devrait permettre au gestionnaire de contrôler et éventuellement prévenir tout dépassement de niveau de concentration au regard de valeurs limites instaurées par ailleurs.
La démarche adoptée est de suivre avec un pas de temps fin (entre 1 et 20 min) l’évolution de la concentration de polluants cibles (formaldéhyde et particules en nombre) dans un espace de bureau normalement occupé sur au moins une année. Les mesures sont également réalisées en parallèle à l’extérieur. L’espace de bureau est instrumenté pour suivre en temps réel l’occupation, la gestion des ouvrants, et les paramètres climatiques intérieurs et extérieurs, ainsi que durant certaines périodes des polluants d'origine extérieure (oxydes d'azote, ozone, CO). Ce jeu de données avec un suivi fin est utilisé pour développer des modèles de fluctuations des sources de polluants et de prévision des niveaux de polluants.
La variabilité des concentrations intérieures de formaldéhyde et de particules a été déterminée. Le formaldéhyde ne présente pas un profil journalier type tant les journées diffèrent les unes des autres en terme d'évolutions de la concentration. La présence et l’ouverture des ouvrants ont une influence variable sur les niveaux observés, mais qui reste globalement faible sur l’année. La saisonnalité du formaldéhyde associée notamment aux fluctuations de température et d’humidité spécifique est plus marquée fenêtres fermées en absence des occupants.
La variabilité temporelle des particules est fonction de leur taille : les plus fines étant très peu impactées par la présence des occupants ou l’ouverture des fenêtres, les plus grosses essentiellement influencées par la présence des occupants et en particulier le fonctionnement d’une imprimante dans l’espace de bureau, enfin les particules intermédiaires sont plus influencées par l’action des occupants sur les ouvrants que leur présence seule.
La variabilité du taux de renouvellement a été estimée à partir d’une méthode automatisée de détection et de calcul des décroissances de la concentration en CO2. Bien que parcellaire, ces données montrent la forte variation de ce paramètre au fil du temps notamment durant les périodes de présence des occupants.
Les associations observées entre les concentrations et différents paramètres qui parfois évoluent de manière conjointes aux mêmes périodes soulignent la nécessité de déconvoluer leur contribution. A ce titre, quatre méthodes de séparation aveugle des sources ont été utilisées pour extraire les différentes sources de fluctuations des concentrations de particules et estimer leur contribution : l’ACI (analyse par composantes indépendantes), la NMF (non-negative matrix factorization), la PMF (positive matrix factorization) et l’ACP (analyse par composantes principales). Les composantes ou facteurs identifiées représentent autant de sources de fluctuations séparées. Mis à part l’ACP, les différentes méthodes montrent une similitude dans les sources extraites contributives du niveau de particules observé.
Un modèle de prédiction de l’ouverture des fenêtres par arbre de classification CART a été développé à partir des données calendaires, climatiques, et de présence. Malgré des performances optimales, il doit être retravaillé pour améliorer la prédiction avec efficacité de l’ouverture des fenêtres d’une année sur l’autre.
Pour prévoir l’évolution de la concentration intérieure des polluants, un modèle de prévision hybride a été développé en couplant un processus de décomposition spectrale de la concentration mesurée dans le temps par plusieurs FFT successives avec un modèle de prévision autorégressif à seuil (FFT/SETAR) ou un modèle basé sur la théorie des systèmes dynamiques (FFT/Chaos). L’horizon de prévision obtenu dans ces conditions est d’une dizaine d’heures.
Lorsque la saisonnalité de la concentration est suffisamment marquée, une décomposition saisonnière associée à un modèle autorégressif simple (STL/ARIMA) peut suffire et conduire selon le niveau de bruit de la saisonnalité à des horizons de prévision de plusieurs dizaines d’heures.
Cette étude a finalement cherché à montrer avec un minimum de paramètres mesurés comment la qualité de l’air dépend d’autres facteurs tous rattachés au temps et comment cette structure temporelle des données peut nous aider à mieux la comprendre pour mieux la prédire. L’homme y joue un rôle central en perturbant les relations existantes entre les différents paramètres. Mieux comprendre son comportement, c’est mieux comprendre notre environnement et la manière dont il évolue.
Origine | Fichiers produits par l'(les) auteur(s) |
---|---|
licence |