CN114360741A - 一种医院候诊区呼吸道传染病感染风险预测系统 - Google Patents
一种医院候诊区呼吸道传染病感染风险预测系统 Download PDFInfo
- Publication number
- CN114360741A CN114360741A CN202210110976.9A CN202210110976A CN114360741A CN 114360741 A CN114360741 A CN 114360741A CN 202210110976 A CN202210110976 A CN 202210110976A CN 114360741 A CN114360741 A CN 114360741A
- Authority
- CN
- China
- Prior art keywords
- infection risk
- space
- waiting
- personnel
- hospital
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开一种医院候诊区呼吸道传染病感染风险预测系统,包括空间感染风险评估模块和运维阶段管控模块;空间感染风险评估模块通过整理若干种典型候诊室的长宽比、空间布局、送风形式、换气率和人员密度作为输入参量,将候诊空间感染风险综合评价指标C作为输出参量;通过输入参量和不同末端形式及典型人员密度的变化组合生成模拟样本,利用CFD计算粒子浓度,并完成数据库和预测模型的建立,从而进行不同人员密度下候诊空间高风险区域位置分布及平均感染风险预测;运维阶段管控模块每15min进行一次实时调节,以实现基于人员密度的医院候诊室送风末端实时调控。
Description
技术领域
本发明涉及传染病感染风险预测领域,特别是涉及一种医院候诊区呼吸道传染病感染风险预测系统。
背景技术
医院由于人员混杂密集导致呼吸道传染病感染风险较高。因此需要采取措施对细菌病毒传播和人员感染风险进行有效控制。既有研究中,对医院感染风险的控制主要集中在病房、隔离室和住院部走廊,对候诊室的研讨相对较少。候诊室具有患者密度高,暴露时间长,人员集中分布且流动性强的特点,需要对该空间内的感染风险进行防控和监测。前人研究主要将空间呼吸道传染病感染风险的关注点放在粒子浓度上,缺乏结合空间设计控制院内感染的相关研究。
目前与本申请最接近的现有专利及论文如下:
1)一种医用智能通风系统(112762569A),该发明公开了一种医用智能通风系统,包括通风管道安装模块、气体收集模块、气体处理模块、气体排放监控模块和气体含量检测模块,所述智能通风系统安装于医院内部各个通风口。
该发明通过监测医院空间内的气体含量,在气体浓度异常时做出预警,当气体浓度达到一定数值时,控制气体进行自动收集。但该发明只能对气体浓度进行监测,缺乏有效预测,且不能对空气中的传染性粒子进行针对性调控。
2)一种基于多示例遗传神经网络的室内PM2.5预测方法(108399470B),该方法选取与室内PM2.5密切相关的通风率、气温、相对湿度等7个特征参量进行模型训练,将多示例神经网络与遗传算法应用到室内空气质量的预测中。
该发明利用机器学习的方法对室内空气污染物PM2.5的浓度进行预测,相较于经验模型,该方法缩短了建模时间,提高了预测准确性。但该发明主要针对室内无扰条件下粒子浓度的预测,无法对空气中细菌病毒等传染性微粒作出预测,不适用于人员情况复杂的医院候诊空间。
3)应用于医院内的病房走廊用空气质量检测系统(103900642A),该方法由多个不同的传感器共同组成检测系统,主要针对室内PM2.5、O2、VOC、NH3、温湿度进行检测,并将检测数据就地显示,同步通过无线传输方式将检测数据上传至后台处理系统进行汇总、分析。
该发明旨在通过传感器检测系统,帮助医院工作人员即时了解所处环境的空气质量,并通过汇总数据分析提供空气质量控制依据。但该发明侧重于大气污染物颗粒浓度的空气品质监测与优化,无法检测空气中是否含有传染性粒子,从而无法实现传播感染风险的预测。
综上所述,目前未发现“基于不同粒子浓度和人员密度的医院候诊区呼吸道传染病感染传播风险预测与调控方法”方面的发明成果。在此背景下,本申请提出一种基于不同粒子浓度和人员密度的医院候诊区呼吸道传染病感染传播风险预测与调控方法。
发明内容
本发明的目的是为了克服现有技术中的不足,提供一种医院候诊区呼吸道传染病感染风险预测系统,用于新建医疗建筑可辅助建筑设计。输入空间参量和通风设计参量即可实现对候诊室的设计方案评估和高风险区域预测,从而指导建筑师进行设计方案的决策和优化。用于既有医疗建筑可辅助流线组织。根据不同人员分布下的风险预测结果,在流感高发期进行候诊室就诊人流管控和候诊空间布局优化,从而降低候诊室内的人员感染风险。
本发明的目的是通过以下技术方案实现的:
一种医院候诊区呼吸道传染病感染风险预测系统,包括空间感染风险评估模块和运维阶段管控模块;
所述空间感染风险评估模块通过整理若干种典型候诊室的长宽比、空间布局、送风形式、换气率和人员密度作为输入参量,将候诊空间感染风险综合评价指标C作为输出参量;通过输入参量和不同末端形式及典型人员密度的变化组合生成模拟样本,末端形式包括风口送风口形式、风口尺寸、风口布置位置及数量与面积对应关系,利用CFD计算由粒径小于5μm的能够漂浮于空气中的液滴核产生的加剧病毒传播的粒子浓度,并完成数据库和预测模型的建立,从而进行不同人员密度下候诊空间高风险区域位置分布及平均感染风险预测;
所述运维阶段管控模块每15min进行一次实时调节,以实现基于人员密度的医院候诊室送风末端实时调控;根据视频监控,利用PTZ人脸检测算法和预测模型进行网格划分,计算得到每个网格人员密度的实时矩阵,作为人员密度及位置输入变量,用于预测对应候诊室的空间感染风险,并对未来时间段的换气率进行决策,从而实现医院候诊室不同人员密度下的空调末端实时调控。
进一步的,网格划分方法如下:将候诊室长边和宽边分别等分n份,将空间划分成n×n个相等面积的矩形,将外走廊沿候诊室的开间方向划分成n个数量相等的矩形,同理,将内走廊沿进深方向划分成n个等面积矩形。
与现有技术相比,本发明的技术方案所带来的有益效果是:
1.构建健康节能建筑环境的社会意义;
目前基于室内温度场的通风系统调控存在时滞性,进而导致能源浪费和感染风险不可控。在感染风险预测模型的基础上,利用智能末端调控,优化通风次数实现节能减排的目标,合理预测感染风险降低疾病传染率,为构件和谐稳定的社会环境做出贡献。
2.降低医院候诊空间感染风险的应用意义;
本发明通过对不同人员密度情况下的医院候诊室进行感染风险预警,实现候诊空间人员分布的合理引导,有效降低候诊室人员感染风险。其次,随换气率的提高,换气次数对风险的控制效果先增加后趋近于平稳,继续增加换气率对风险控制的实际效果不大。且当通风系统的换气次数增加到某一数值后,控制效果出现下降趋势,利用感染预测模型,可以寻求最优值,达到最佳风险控制效果。
3.运维控制精细化控制的经济意义;
通过运维阶段管控模块的计算发现,当换气率超过某一数值后,继续增加换气率对感染风险控制的实际效果不大,可以有效减少不必要的换气次数,降低运行成本。
附图说明
图1是本发明预测系统内各模块的组成及工作流程图。
图2是C分值前五名的较优的主被动组合形式。
图3a和图3b分别为一个典型候诊空间的室内平面图和风口布置图。
图4a、图4b和图4c分别为低密度、中密度和高密度下感染风险区域预测云图。
图5a、图5b、图5c和图5d分别为6/h、8/h、10/h、12/h的换气率下感染风险区域预测云图。
图6为某季节性流感的换气率与综合评价指标C的变化关系图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种在不同粒子浓度和人员密度下的医院候诊空间呼吸道传染病感染风险预测系统,可有效指导建筑师的医院设计工具和通风运行控制,包括空间感染风险评估模块和运维阶段管控模块,见图1。
空间感染风险评估模块用于在建筑方案设计阶段进行空间区域的感染风险预测与评估,规避不利于预防细菌病毒传播的医院空间设计,方便建筑师在前期设计阶段进行比选,并为暖通空调设计师提供典型送风形式选型建议。
运维阶段管控模块用于既有医疗建筑中,对不同人员密度下的室内感染风险进行预测,结合智能化末端调控,降低室内人员的感染风险。
其中,空间感染风险评估模块通过整理多种典型候诊室的长宽比、空间布局、送风形式、换气率和人员密度作为输入参量,将候诊空间感染风险综合评价指标C作为输出参量。通过大量空间参量和不同末端形式及典型人员密度的变化组合生成模拟样本,利用CFD计算粒子浓度并完成数据库和医院候诊区呼吸道传染病感染风险预测模型的建立,其中粒子指粒径小于5μm的能够漂浮于空气中的液滴核产生的加剧病毒传播的粒子。从而进行不同人员密度下候诊空间高风险区域位置分布及平均感染风险预测。以季节性流感为例,其感染风险计算公式如下:
P——表示感染的可能性,%;
I——感染者的数量,为某计算网格中易感者的数量,人;
q——量子生成速率;对于季节性流感,q取1.6667×10-4m2/s;
p——乘客的呼吸速率,mg(μl)/(h·g);
t——乘客的暴露时间,s
Q——换气率
空间感染风险综合评价指标C反映了空间模型的粒子清除效率和网格中感染风险高于1%高风险面积比:
C=0.5×(Pr-Hr)×100%
C——空间感染风险综合评价指标,%;
Pr——空间中存在感染风险粒子的清除效率(空间中被壁面捕获和新风系统排出的感染风险粒子之和占存在感染风险粒子总量的百分比),%;
Hr——空间中存在高感染风险区域的面积百分比(空间中感染风险高于感染风险阈值区域的面积占总面积的百分比),%
其中,Pr和Hr由CFD模拟计算结果数据处理后得到。
若某些工况的组合使得空间存在高风险区域,则根据输入参量的影响权重对建筑的设计方案进行修改和调整。
其中,运维阶段管控模块每15min进行一次实时调节,以实现基于人员密度的医院候诊室送风末端实时调控。根据视频监控,利用PTZ人脸检测算法和预测模型网格划分计算得到每个网格人员密度的实时矩阵,作为人员密度及位置输入变量,用于预测目标候诊空间的感染风险,并对未来一段时间的换气率进行决策,从而实现医院候诊室不同人员密度下的空调末端实时调控。
本实施例选择寒冷地区某三级甲等综合医院某科室的候诊室对发明实施方案进行阐述。在方案设计阶段,选用对应空间面积的典型模型,将室内长宽比、室内布局、换气率、送风形式和网格功能等参量进行组合,以145m2面积下某空间布局为例,随着人员数量的增加,人员密度随之增加,但人员聚集位置不变。在低密度下,空间的人员密度最大为2.0,其中1.5~2.0密度范围占到空间总面积的13%,中密度下最大密度为2.5,其中2.0~2.5密度范围占到空间总面积的31%,高密度下最大密度为3.0,其中2.5~3.0密度范围占到空间总面积的56%。将人员密度计算结果带入感染风险计算方程,从而得到不同人员密度下的空间感染风险;采用基于BP神经网络的预测模型进行不同空间位置的感染风险预测,输入变量为长宽比、空间布局、室内送风形式、换气率,按照空间感染风险综合评价指标C的计算公式,计算每个工况下的空间感染风险综合评价指标C作为预测模型的输出变量。空间感染风险综合评价指标C计算值越接近于100%,则说明空间控制感染风险的能力越强,越小则说明空间控制风险的能力较弱,该空间感染风险综合评价指标C可以用于比较不同设计空间风险控制能力的评价指标。在换气率不变的情况下进行多种策略组合下的空间感染风险综合评价指标C的计算,比选出较优的主被动组合形式,结果见图2。
优选结果为:以候诊室面积145m2作为设计目标,根据空间感染风险快速评估,获得最佳室内长宽比为1.5,座位区在候诊室两侧均匀排布,风口建议采用送风格栅和四面送风,并在两排送风口之间布置回风口。
针对既有医院建筑,选取一个典型候诊空间对发明方案进行阐述。本实施例选取的典型候诊空间为寒冷地区某三级甲等综合医院某科室的候诊室,空间长(开间)15.4m,宽(进深)10.1m,长宽比为1.524。入口位于候诊室中央,有2个座位区域,布置在入口两侧,导诊台正对入口走廊偏向一侧,连接各个诊室,具体布置形式见图3a。候诊室送风口为散流器,共8个,按照4×2布置,回格栅共4个,具体布置形式见图3b。
在运维管控阶段,为实现基于人员密度的医院候诊室送风末端的实时调控,以某季节性流感为例,以15min为间隔,进行单元控制调节。
首先,基于视频监控采集画面,采用PTZ人脸检测算法估算得到实时的候诊室人员密度分布,按照预测模型的网格划分,计算得到每个网格人员密度的实时矩阵,作为人员密度及位置输入变量。分别在低密度、中密度和高密度三种人员密度水平下,对8/h换气率,不同人员密度下的候诊室空间感染风险进行综合评价并预测其分布,得到感染风险预测结果如图4a、4b和4c所示。图中的值代表该区域的平均感染风险,风险最高位置为深灰色,最低为白色,最低平均感染风险为0。具体的网格划分方法如下:将候诊室长边和宽边分别等分n份,将空间划分成n×n个相等面积的矩形,将外走廊沿候诊室的开间方向划分成那个数量相等的矩形,同理,将内走廊沿进深方向划分成n个等面积矩形。
由图4a、4b和4c可得,随人员密度的增加,在内走廊入口位置感染风险明显增加,同时高于警戒值的空间位置由只在感染者一侧,扩散至两侧均出现高风险的情况。因此,当人员密度增加后,尤其达到高密度人员数量后,需要在内走廊入口位置增设局部排气装置。
第二步,根据医院设计规范,对于145m2面积尺度下的候诊室换气率合理设置范围为4/h~14/h,在预测换气率分别为6/h、8/h、10/h、12/h的条件下,对候诊室进行高风险位置预测。对中等密度下换气率在6/h~12/h范围感染风险的预测结果如图5a至图5d。
由图5a至图5d可得,感染者所在位置是风险最高的位置,该位置的平均感染风险受换气率的影响较小。提高换气率可有效降低候诊室入口位置附近的感染风险,促进候诊室的粒子进入到走廊,但导致走廊感染风险增加。在换气率达到10/h后,走廊部分位置感染风险大于警戒值1%,因此需要在走廊对应候诊室入口位置增设局部排气装置,增加走廊送回风或合理安排人员等候位置。在换气率较小时,需要在候诊室入口内部增设局部通风设施。
在预测系统中,以0.5/h为步长划分换气率阈值,可得到20个换气率输入值,分别预测不同换气率条件下的空间感染风险综合评价指标C和风险位置分布,将除患者所处网格和患者前方网格外,使研究空间中其他所有网格平均感染风险均小于警戒值1%的最小换气率作为基本换气率控制值R1。
第三步,建立换气率与空间感染风险综合评价指标C的量化关系,如图6可以看到,随换气率提高,空间感染风险综合评价指标C呈现先增后趋近平稳,当换气率超过10/h后,继续增加换气率对风险控制的实际效果不大,且会造成大量能源浪费。因此,找到使空间感染风险综合评价指标C变化出现局部最优的换气率数值作为节能换气率控制值R2,选择R1和R2中的较大值,作为当前人员密度工况下的换气率调控值,记为Rt,对应上一阶段的换气率调控值为Rt-1。依据智能末端调控风量的计算公式即可获得空调末端在单元控制调节时间内的风量供给变化值:
ΔV=(Rt-Rt-1)×V/4
其中:ΔV——该时间段需要增加或减少的风量,m3;
Rt——本时段换气率的预测值,次/h;
Rt-1——上一阶段换气率的控制值,次/h;
V——空间体积,m3。
基于上述方法,实现医院候诊室不同人员密度下的实时空调末端调控,从而实现智能感染风险防控运维。
最后需要指出的是:以上实例仅用以说明本发明的计算过程,而非对其限制。尽管参照前述实例对本发明进行了详细的说明,本领域的普通技术人员应当理解,其依然可以对前述实例所记载的计算过程进行修改,或者对其中部分参数进行等同替换,而这些修改或者替换,并不使相应计算方法的本质脱离本发明计算方法的精神和范围。
Claims (2)
1.一种医院候诊区呼吸道传染病感染风险预测系统,其特征在于,包括空间感染风险评估模块和运维阶段管控模块;
所述空间感染风险评估模块通过整理若干种典型候诊室的长宽比、空间布局、送风形式、换气率和人员密度作为输入参量,将候诊空间感染风险综合评价指标C作为输出参量;通过输入参量和不同末端形式及典型人员密度的变化组合生成模拟样本,末端形式包括风口送风口形式、风口尺寸、风口布置位置及数量与面积对应关系,利用CFD计算由粒径小于5μm的能够漂浮于空气中的液滴核产生的加剧病毒传播的粒子浓度,并完成数据库和预测模型的建立,从而进行不同人员密度下候诊空间高风险区域位置分布及平均感染风险预测;
所述运维阶段管控模块每15min进行一次实时调节,以实现基于人员密度的医院候诊室送风末端实时调控;根据视频监控,利用PTZ人脸检测算法和预测模型进行网格划分,计算得到每个网格人员密度的实时矩阵,作为人员密度及位置输入变量,用于预测对应候诊室的空间感染风险,并对未来时间段的换气率进行决策,从而实现医院候诊室不同人员密度下的空调末端实时调控。
2.根据权利要求1所述一种医院候诊区呼吸道传染病感染风险预测系统,其特征在于,网格划分方法如下:将候诊室长边和宽边分别等分n份,将空间划分成n×n个相等面积的矩形,将外走廊沿候诊室的开间方向划分成n个数量相等的矩形,同样的,将内走廊沿进深方向划分成n个等面积矩形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110976.9A CN114360741A (zh) | 2022-01-29 | 2022-01-29 | 一种医院候诊区呼吸道传染病感染风险预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110976.9A CN114360741A (zh) | 2022-01-29 | 2022-01-29 | 一种医院候诊区呼吸道传染病感染风险预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114360741A true CN114360741A (zh) | 2022-04-15 |
Family
ID=81093646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210110976.9A Pending CN114360741A (zh) | 2022-01-29 | 2022-01-29 | 一种医院候诊区呼吸道传染病感染风险预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114360741A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115691827A (zh) * | 2023-01-04 | 2023-02-03 | 成都信通网易医疗科技发展有限公司 | 一种确定疑似感染病患的方法和存储介质 |
CN116453696A (zh) * | 2023-06-14 | 2023-07-18 | 天津大学 | 基于人员时空分布模型的呼吸道疾病感染风险预测方法 |
CN117747129A (zh) * | 2024-02-21 | 2024-03-22 | 天津大学 | 基于候诊流程的医院感染风险空间分布预测方法及系统 |
-
2022
- 2022-01-29 CN CN202210110976.9A patent/CN114360741A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115691827A (zh) * | 2023-01-04 | 2023-02-03 | 成都信通网易医疗科技发展有限公司 | 一种确定疑似感染病患的方法和存储介质 |
CN116453696A (zh) * | 2023-06-14 | 2023-07-18 | 天津大学 | 基于人员时空分布模型的呼吸道疾病感染风险预测方法 |
CN116453696B (zh) * | 2023-06-14 | 2023-08-15 | 天津大学 | 基于人员时空分布模型的呼吸道疾病感染风险预测方法 |
CN117747129A (zh) * | 2024-02-21 | 2024-03-22 | 天津大学 | 基于候诊流程的医院感染风险空间分布预测方法及系统 |
CN117747129B (zh) * | 2024-02-21 | 2024-04-30 | 天津大学 | 基于候诊流程的医院感染风险空间分布预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114360741A (zh) | 一种医院候诊区呼吸道传染病感染风险预测系统 | |
WO2021238355A1 (zh) | 一种建筑内病毒传播的监测、溯源与预警调控系统及方法 | |
Leng et al. | Sustainable design of courtyard environment: From the perspectives of airborne diseases control and human health | |
Fan et al. | A review of different ventilation modes on thermal comfort, air quality and virus spread control | |
Aliabadi et al. | Preventing airborne disease transmission: review of methods for ventilation design in health care facilities | |
Ecim-Djuric et al. | Energy efficiency optimization of combined ventilation systems in livestock buildings | |
KR102333988B1 (ko) | 감염병 확산 방지를 위한 방역 기능의 항바이러스 공조 모듈 및 시스템 | |
CN110030703A (zh) | 一种基于人员定位检测的室内空气质量调控系统及方法 | |
US20220178574A1 (en) | System for minimizing indoor infection risk and maximizing energy savings | |
Zhuang et al. | Probabilistic occupancy forecasting for risk-aware optimal ventilation through autoencoder Bayesian deep neural networks | |
CN115272675A (zh) | 一种基于多传感器信息融合的能源管理系统以及方法 | |
CN116453696B (zh) | 基于人员时空分布模型的呼吸道疾病感染风险预测方法 | |
Carbonare et al. | Design and implementation of an occupant-centered self-learning controller for decentralized residential ventilation systems | |
Khan et al. | Optimising building heat load prediction using advanced control strategies and Artificial Intelligence for HVAC system | |
CN117348648A (zh) | 一种羊舍环境自动控制方法及其装置 | |
CN117128624A (zh) | 新风空调及空调管理系统的控制方法、装置和存储介质 | |
KR102362793B1 (ko) | 바이오 공조 시스템 및 방법 | |
Zhao et al. | Thermal sensation and occupancy-based cooperative control method for multi-zone VAV air-conditioning systems | |
Ren et al. | Zonal demand-controlled ventilation strategy to minimize infection probability and energy consumption: A coordinated control based on occupant detection | |
Kameel et al. | Energy efficiency, air quality, and comfort in air-conditioned spaces | |
Nourozi et al. | A systematic review of ventilation solutions for hospital wards: Addressing cross-infection and patient safety | |
Li et al. | Multi-objective optimal control of multi-zone VAV systems for adaptive switching between normal and pandemic modes | |
Li et al. | Comparative studies and optimizations of air distribution of underground building ventilation systems based on response surface methodology: A case study | |
Shao et al. | Fast regulation of multi-position differentiated environment: Multi-step joint optimization of air supply parameters | |
CN112229031A (zh) | 一种商用空气净化器控制系统和控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |