Ofertes treballs fi d'estudishttps://eseiaat.upc.edu/ca/curs-actual/treballs-fi-estudis/ofertes-treballs-fi-destudishttps://eseiaat.upc.edu/++resource++plone-logo.svg
La predicció de la qualitat de l’aire, del confort tèrmic i del consum energètic en espais tancats és fonamental per prendre decisions que garanteixin tant el benestar com la salut dels ocupants, sense malgastar recursos. En aquest treball, es proposa identificar, implementar i validar models de predicció per a la concentració de CO2, la humitat relativa, la temperatura i el consum energètic en espais interiors. Aquests models seran de tipus Machine Learning i d’ordre reduït, calibrats amb dades reals provinents d’una xarxa IoT de sensors. La implementació es durà a terme dins d’un bessó digital, que integra el sistema IoT i estima en temps real l’estratègia de ventilació i climatització més eficient. Posteriorment, els models es validaran amb mesures addicionals de la mateixa xarxa de sensors. En definitiva, aquest estudi té com a objectiu oferir una solució sostenible i eficient per millorar la qualitat ambiental interior, contribuint a una millor qualitat de vida i a la reducció de l’impacte ambiental associat als edificis.
Objectius:
(1) Identificar models de Machine Learning i d'ordre reduït per a la predicció temporal de les condicions ambientals i el consum energètic en espais tancats, (2) Implementar els models en una plataforma de bessó digital, (3) Calibratge i validació dels models amb dades reals mesurades amb la xarxa IoT del bessó digital.
Tasques a realitzar / Característiques:
(1) Identificació i selecció dels models de predicció, (2) Programació en Python dels models dins del bessó digital, (3) Calibració i validació dels models amb dades reals, (4) Creació del repositori amb els scripts desenvolupats i (5) Redacció dels documents de l'estudi.
Tema:
ENGINYERIA INDUSTRIAL
Tipus:
Estudi
Càrrega de treball:
La càrrega de treball s'adaptarà als crèdits de la titulació.
Requisits:
Coneixements de programació amb Python. Valorable experiència prèvia amb sistemes Raspberry Pi i Arduino.
Comparteix: