В практике проектирования систем вентиляции для офисных зданий нередко применяются установки с рекуператорами двух основных типов — пластинчатыми или роторными [1]. При разработке проекта, рассматриваемого в данной статье, выбор был сделан в пользу роторной модели. Такое решение объясняется более высоким коэффициентом полезного действия роторных агрегатов, а также наличием в них встроенной защиты от обмерзания, что критически важно для стабильной работы в холодный период [2].
Оборудование с роторным рекуператором отличается широкими функциональными возможностями. Помимо базовых задач — притока свежего воздуха и поддержания температурного режима — оно позволяет экономить энергоресурсы. Это достигается за счёт нагрева приточного воздуха теплом, извлекаемым из вытяжки. Дополнительными преимуществами являются предотвращение обмерзания и продление срока службы фильтрующих элементов [3]. Тем не менее, имеющийся функционал можно существенно расширить, внедрив в систему управления технологии искусственного интеллекта.
Ключевым достоинством такой интеллектуальной установки станет способность к самообучению. Анализируя данные, поступающие от датчиков, система вентиляции будет адаптировать свои алгоритмы работы под реальные условия эксплуатации. Постоянно накапливая информацию, она сможет совершенствовать стратегии поддержания комфортного микроклимата и повышать энергоэффективность, учитывая фактическую загрузку помещений и индивидуальные предпочтения пользователей. Практическая реализация «умной» вентиляции может выражаться, к примеру, в автоматическом отключении приточной установки при отсутствии людей или в снижении оборотов вентиляторов, если фактическое количество посетителей в офисе оказывается ниже проектных показателей. Однако для реализации такого уровня автоматизации потребуется установка дополнительного оборудования: измерителей температуры и уровня углекислого газа (CO2), видеокамер с детекторами движения, а также серверного оборудования для сбора и обработки поступающей информации.
Реализация функции самообучения искусственного интеллекта (ИИ) невозможна без создания представительной базы данных. Источником информации для неё служит в том числе дополнительный датчик температуры, установленный внутри помещения. Именно он фиксирует фактические параметры микроклимата, позволяя системе впоследствии корректировать подачу воздуха.
Обучение нейросети происходит на основе сопоставления трёх видов данных:
- текущей температуры наружного воздуха;
- прогностической модели погоды;
- ретроспективных данных о работе вентиляционного оборудования.
На выходе алгоритмы ИИ формируют управляющие сигналы для изменения режимов работы установки. Суть работы интеллектуальной системы сводится к тонкой регулировке: изменению числа оборотов роторного рекуператора и скорости вращения вентиляторов. Это позволяет адаптировать производительность системы к реальным потребностям помещения с учётом положения регулирующих клапанов, обеспечивая оптимальный приток воздуха [4].
Возможность автоматически управлять циклом работы вентиляции появляется благодаря установке камер, оснащённых сенсорами движения. Получая с них информацию, система подсчитывает количество людей в комнате и, в зависимости от загруженности, отдаёт распоряжения на изменение интенсивности воздухообмена: регулирует обороты вентиляторов и положение запорных клапанов [5]. Если же помещение оказывается пустым, алгоритм ждёт определённый промежуток времени, после чего полностью отключает установку, предварительно переведя её в режим пониженного энергопотребления.
Отличительной чертой рассматриваемой системы является её реакция на экстремальные изменения погоды, выходящие за рамки типовых проектных решений. В отличие от стандартного оборудования, работающего по жёсткому алгоритму, «интеллектуальная» установка способна динамически менять параметры работы: при аномальном понижении уличной температуры увеличивается расход теплоносителя, что служит защитой от обмерзания; при резком потеплении форсируется мощность системы охлаждения [6].
Функционал «интеллектуальной» вентиляции включает мониторинг качества воздуха посредством датчика углекислого газа, что необходимо для своевременного удаления застоявшихся воздушных масс. Контроль содержания CO2 критически важен: его накопление выше предельно допустимой концентрации ведёт к утомляемости персонала и ухудшению микроклимата. Алгоритм работы системы строится следующим образом: при продолжительном нахождении людей в комнате и росте концентрации газа сверх нормы запускается процесс принудительного воздухообмена, который продолжается до полной нормализации показателей [7]. Исключением является ситуация пожара — в этом случае установка обесточивается, и функция вентиляции не активируется.
Выполним расчёт требуемой производительности для вентиляции офисного помещения. Исходные данные: объём комнаты составляет 60 м³ (при высоте потолков 3 м и площади пола 20 м²), постоянное количество сотрудников — девять человек. Итоговая производительность вентиляционной установки L определяется как сумма трёх величин, рассчитанных по разным методикам:
- по нормативной кратности воздухообмена;
- по количеству людей в помещении;
- по предельно допустимой концентрации углекислого газа.
На первом этапе найдём производительность по кратности воздухообмена. Для офисных помещений кратность n составляет шесть циклов в час.
Используя стандартную формулу L1 = nSH, получим L1 = 6×20×3 = 360 м³/ч (здесь n — кратность воздухообмена для офиса, ч-1; S — площадь пола, м²; H — высота потолков, м).
Следующим шагом определим производительность системы, необходимую для обеспечения свежим воздухом всех находящихся в помещении людей. Расчёт ведётся по формуле L2 = nLh, где n — количество человек в офисе (для данного офиса n = 9); Lh — нормативный расход приточного воздуха на одного человека (для офисных помещений принято Lh = 45 м³/ч). Подставляем значения и получаем L2 = 9×45 = 405 м³/ч. Таким образом, для комфортной работы девяти сотрудников система вентиляции должна обеспечивать подачу не менее 405 м³/ч.
Завершающим этапом определим требуемую производительность вентиляции, исходя из необходимости разбавления углекислого газа до допустимых концентраций. Известно, что один человек выделяет примерно 68 г/ч CO2 [8, 9]. Следовательно, суммарное выделение углекислого газа восемью сотрудниками составит:
GCO2 = 10×68 = 680 г/ч.
Для расчёта производительности системы по CO2 используем формулу баланса примесей:
L3 = GCO2/(YПДК — Yп) = 680/(9–1) = 85 м³/ч,
где YПДК — предельно допустимая концентрация CO2 в удаляемом из помещения воздухе, г/м³; Yп — содержание CO2 в приточном (наружном) воздухе, г/м³.
Все используемые в расчётах нормативные параметры приняты в соответствии с СП 60.13330.2020 [10].
Для определения итоговой производительности приточной установки просуммируем полученные значения по трём методам расчёта: по кратности воздухообмена L1, по количеству людей L2 и по концентрации углекислого газа L3:
L = L1 + L2 + L3 = 850 м³/ч.
Таким образом, требуемая производительность системы вентиляции для рассматриваемого офисного помещения составляет 850 м³/ч.
Проведённые расчёты показали, что максимальная потребность офисного помещения в приточном воздухе (при полной загрузке — девять человек) составляет 850 м³/ч. Это значение на 50 м³/ч ниже производительности стандартной установки (900 м³/ч), предлагаемой типовым проектом. Избыточные 5,5% производительности в классической системе трансформируются в прямые потери энергии.
Внедрение технологий искусственного интеллекта, а именно алгоритмов машинного обучения, призвано устранить эту неэффективность. Собирая и анализируя данные с датчиков, система самостоятельно подстраивает режимы работы под реальную ситуацию, снижая энергопотребление без ущерба для комфорта.
Ключевые преимущества интеллектуальной модернизации:
1. Оптимизация энергопотребления (автоматическое снижение производительности в периоды неполной загрузки или отсутствия людей).
2. Адаптивное управление качеством воздуха (поддержание заданного уровня CO2 и температуры вне зависимости от внешних условий).
3. Повышение надёжности (защита от обмерзания и других аварийных режимов).
Однако у такого решения есть и обратная сторона — это увеличение капитальных затрат на этапе внедрения (дополнительные датчики, контроллеры, серверное оборудование) и необходимость привлечения квалифицированных специалистов для настройки и сопровождения интеллектуальных алгоритмов.
