Selecteer "Alle cookies accepteren" als u akkoord gaat met het opslaan van essentiële cookies, analytische cookies, marketingcookies en social media cookies. Door op "Cookie-voorkeuren aanpassen" te klikken kan u uw voorkeuren beheren. Cookiebeleid

Essentiële cookies
zijn noodzakelijk voor een normaal bezoek aan de website om puur technische redenen. Aangezien dit een technische noodzaak is, hoeven we u alleen op de hoogte te stellen van deze cookies, en worden ze geïnstalleerd bij het bezoeken van de website.
Analytische cookies
houden bij hoe onze website wordt gebruikt, bijvoorbeeld om het verkeer op de website te meten of hoe vaak een pagina wordt geraadpleegd. We gebruiken deze informatie om de gebruikerservaring en prestaties van onze website en diensten te analyseren. Voor het plaatsen van deze cookies zullen wij uw toestemming vragen.
Marketingcookies
verzamelen informatie om relevante gesponsorde inhoud over onze producten en producten die door derden worden aangeboden te leveren. Ze volgen gebruikers op onze website om op basis van hun voorkeuren advertenties te tonen die relevant en interessant zijn voor onze bezoekers. Deze cookies worden alleen geplaatst met uw toestemming.
Social media cookies
worden gebruikt wanneer u informatie deelt via een deel knop voor social media op onze website, of wanneer u social media content raadpleegt via onze website, bijvoorbeeld bij het bekijken van een Vimeo-filmpje. Voor het plaatsen van deze cookies is uw toestemming vereist.
Cookie-voorkeuren aanpassen

AI4FM: Studie naar de impact van Machine Learning op bestaande HVAC in utiliteitsbouw

De stijging van de energieprijzen en het bijstellen van de klimaatdoelstellingen zorgt ervoor dat het steeds belangrijker wordt om het energieverbruik in utiliteitgebouwen te drukken. Met de ontwikkeling van Internet of Things (IoT) zijn er steeds meer betaalbare sensoren en coontrollers beschikbaar die het mogelijk maken om uitgebreide informatie te verzamelen over bijvoorbeeld het verwarmings- en of ventilatiesysteem van een gebouw of lokaal.

Dit project wil nagaan in welke mate de combinatie van moderne sensoren en Machine Learning technieken kan bijdragen tot een efficiëntere aansturing van de bestaande installaties om zo een energiebesparing te realiseren, zonder vergaande investeringen te moeten doen. Daarnaast zal ook gekeken worden naar de kwaliteit van de lucht. 

Als proof-of-concept zullen 2 klaslokalen worden gebruikt die voorzien zijn van enkel verwarming (F107 en F205) en 2 klaslokalen die zowel ventilatie als verwarming hebben (F106 en F207). In de eerste fase van het project zal een nulmeting worden uitgevoerd gedurende een stookseizoen (10/2022 tot 04/2023). De verzamelde data zal gebruikt worden om een Machine Learning model te trainen dat de energiebehoefte per lokaal kan voorspellen (verwarming en/of ventilatie). Deze voorspelling zal dan gebruikt worden om de verwarmingselementen in het lokaal en/of zijn ventilatie-unit aan te sturen gedurende het volgende stookseizoen (10/2023 tot 04/2024). Door vergelijken van beide meetsessies zal bepaald worden wat de invloed is van de ontwikkelde Machine Learning algoritmes op de energie-efficiëntie van de verwarming en de temperatuur en de luchtkwaliteit (CO2-concentratie) in de leslokalen.

Tot slot zal bepaald worden in welke mate de toegepaste technieken een energiebesparing kunnen opleveren wanneer ze breder worden toegepast op een utiliteitsgebouw zoals schoolgebouwen, cinema’s, theaterzalen, evenementenhallen, kantoorgebouwen,… . Een eindevent in samenwerking met de partners en de projectwebsite worden gebruikt om de resultaten te verspreiden onder het brede publiek.

Project informatie

Projectpromotor:
Kristel Deckers
Status:
Lopend project
IWETO code:
  • Code nog in te vullen.
Startdatum – einddatum:
19/09/2022 – 17/09/2023
Budget:
PXL: € 68.694,44
Projectcode:
1/DWO/2022/BE/P142
VTE:
0,70 VTE
Medewerkers:

Kristel Deckers

Gwen Vanheusden

Chris Hendrickx

Servaas Tilkin