Ergonomie des Innenraumklimas

  EIE Urheberrecht: © e3D

Den Großteil des Tages verbringen wir in geschlossenen Räumen, sei es in der Wohnung oder am Arbeitsplatz. Unser Wohlbefinden und unsere Leistungsfähigkeit werden durch eine Vielzahl von Umgebungsfaktoren beeinflusst. Hierzu zählen neben Raumtemperatur, Beleuchtung oder CO2 Konzentration auch arbeitsorganisatorische Störungen in Form von Lärm oder Unterbrechungen. Maßgeblich bei der Erforschung dieser Einflüsse ist für uns die Überzeugung, dass eine hohe Energieeffizienz in Gebäuden bei gleichzeitigem Nutzerkomfort allgemeinen möglich und erstrebenswert ist. Energieeinsparungen zur Erreichung der ambitionierten Klimaziele müssen durch geschickte Gestaltung dieser Faktoren nicht zu Lasten einer gesundheitsförderlichen Innenraumatmosphäre gehen.

Die Nutzerverhaltensmodellierung erfolgt unter anderem durch Methoden des Machine Learning und Deep Learning. Neuronale Netze bieten vielversprechende Möglichkeiten, Vorhersagen des Nutzerverhaltens durch das Training anhand großer Datenmengen zu verbessern. Die Modellierung der zugrundeliegenden thermophysiologischen Prozesse des Menschen erfolgt zum Beispiel durch das numerische Menschmodell MORPHEUS.

Auch eine Fahrzeugkabine stellt einen Innenraum dar, der Nutzern größtmöglichen Komfort bereitstellen soll. Die auf Nutzerfeedback beruhende lokale Konditionierung durch Lenkradbeheizung oder Flächenstrahler im Fußraum kann dabei helfen, den thermischen Komfort in Elektrofahrzeugen aufrecht zu erhalten, ohne Einbußen bei der Reichweite hinnehmen zu müssen. Echtzeitanalysen der Körpertemperatur durch Wärmebildkameras erlauben eine effizientere Regelung dieser Klimatisierungsstrategien.

Durch Probandenstudien versuchen wir, die entwickelten Modelle, Regelungsstrategien und Feedbacksysteme unter möglichst realen Bedingungen zu prüfen. Hierzu wird auch das Urban Energy Lab 4.0 einen maßgeblichen Beitrag leisten.

Insgesamt verfolgen wir bei der Bearbeitung dieser Fragestellungen einen stark interdisziplinär geprägten Ansatz, um das Nutzerverhalten aus physiologischer, psychologischer und verhaltensbasierter Perspektive erforschen zu können.

Ausgewählte Publikationen der Gruppe:

Modular personalized climatization testing infrastructure with smartphone-based user feedback
In: Building services engineering research and technology : BSER&T, 2022 [DOI: 10.1177/01436244221132688]

Comparing human and algorithmic anomaly detection for HVAC systems applications
In: [2022 IEEE Eighth International Conference on Big Data Computing Service and Applications (BigDataService) : Proceedings], 155-160, 2022 [DOI: 10.1109/BigDataService55688.2022.00032]

Crossing borders and methods: Comparing individual and social influences on energy saving in the United Arab Emirates and Germany
In: Energy research & social science, 90, 102561, 2022 [DOI: 10.1016/j.erss.2022.102561]

Indoor environment data time-series reconstruction using autoencoder neural networks
In: Building and environment 191, Seiten/Artikel-Nr.:107623, 2021 [DOI: 10.1016/j.buildenv.2021.107623]

Interdisciplinary parametric modelling and modularization to improve air quality, acoustics and lighting in school buildings
In: [Building Simulation Conference 2021: 17th Conference of IBPSA, BS21, 2021-08-31 - 2021-09-03, Brügge, Belgium], 2021

Personal Climatization Systems : A Review on Existing and Upcoming Concepts
In: Applied Sciences, 9 (1), 35, 2019 [DOI: 10.3390/app9010035]

Window opening model using deep learning methods
In: Building and environment, 145, 319-329, 2018 [DOI: 10.1016/j.buildenv.2018.09.024]

Learning short-term past as predictor of window opening-related human behavior in commercial buildings
In: Energy and buildings, 185, 1-11, 2018 [DOI: 10.1016/j.enbuild.2018.12.012]

Ansprechpartner

Telefon

work
+49 241 80 25033

E-Mail

E-Mail