מערכות בית החולים HVAC פועלות תחת כמה מהתנאים התובעניים ביותר בסביבה הבנויה.הם חייבים לשמור על איכות האוויר הסמויה של מערכת הבריאות למניעת זיהומים הקשורים לבריאות, לספק נוחות תרמית מדויקת לחולים פגיעים, ולרוץ כל הזמן תוך צריכת כמויות משמעותיות של אנרגיה. Balancing דרישות מתחרות אלה הופכת את HVAC אופטימיזציה לבעיה רב-אובייקטיבית אמיתית - כגון צמצום ביצועים לבד - לעתים קרובות למצוא מטרות טיפוליות ונוחות מרובות.

מה זה Multi-Objective Optimization?

אופטימיזציה רב-אובייקטיבית (MOO) היא ענף של אופטימיזציה מתמטית העוסקת בבעיות שיש להן שני פונקציות אובייקטיביות או יותר סותרות.במקום פתרון אחד הטוב ביותר, MOO מייצרת סדרה של פתרונות הידועים כ-FLT:0)Pareto FrontierFLT:1 (או Pareto להגדיר) פתרון הוא Pareto אופטימלי אם לא ניתן לשפר ללא שום מטרה אחרת.

לעומת זאת, אופטימיזציה חד-משמעית ממוטטת את כל המטרות לסכום משקל או מדד יחיד, אשר יכול להסתיר את ההסכמים החשובים.לדוגמה, צמצום עלויות האנרגיה לבד עלול להוביל לירידה בשיעורי האוורור, אשר מגבירים את הסיכון לזיהום.MOO נמנע ממכשולים כאלה על ידי שמירה על הצורה המלאה של ה-Fron-off.

מדוע בית החולים HVAC דורש אופטימיזציה רב-אופטיקה

בתי חולים אינם מבנים מסחריים טיפוסיים.מערכות HVAC שלהם חייבות לספק דרישות ייחודיות:

  • (FLT:0) בקרת אינפלציה: 1FLT:1 חדרי לחץ חיוביים עבור תיאטרון הפעלה, חדרי בידוד בלחץ שלילי, סינון חלקיקים גבוה (HEPA), ושיעורי שינוי אוויר גבוהים כמו 12-20 ACH.
  • (ב) ציות לתקנות:0) ,4:1 תקנים מ-ASHRAE (למשל, תקן 170), הנחיות CDC וקודי בריאות מקומיים.
  • (ב) 024/7: בית החולים 1FLT 1 רץ HVAC במלוא העומס סביב השעון, מה שהופך אפילו יעילות קטנה מרוויחה משמעותית.
  • (ב) דיקור:0; דיקור: 1 (ממפקד החולה, משמרות צוות ובקרת אורח משתנים ללא תנאי.
  • (FLT:0) עוצמת אנרגיה גבוהה: בית החולים HVAC 1 (HVAC) בדרך כלל מהווה 30-60% מכלל השימוש באנרגיה בבנייה.

גורמים אלה יוצרים מטרות מרובות, לעתים קרובות סותרות.אופטימיזציה חד-משמעית המפחיתה אנרגיה עלולה להפר את דרישות זרימת האוויר של זיהום-שליטה.מוטב שרק ממקסימה את איכות האוויר עלול להוביל עלויות אנרגיה ללא-קיימא. mOO מספקת מסגרת כדי לחקור ולפתור סכסוכים אלה.

מטרות מפתח בבית החולים HVAC Optimization

המטרות הבאות נחשבות בדרך כלל במחקרים בבית החולים HVAC MOO.החשיבות היחסית משתנה על ידי אזור (למשל, חדר הפעלה מול המטופל).

אנרגיה יעילה

צמצום צריכת האנרגיה החשמלית והמדרמה מוריד עלויות תפעוליות וטביעת הפחמן.זה כולל נקודות סטיגנציה, לוחות זמנים, צמרר/מגיש, כונן משתנה, שימוש באנרגיה צריך להיות מאוזן נגד מטרות אחרות - ירידה באנרגיה מופרזת יכולה להתפשר על ventilation או נוחות.

איכות אוויר פנימית (IAQ) וסיכון זיהום

(IAQ הוא קריטי בבתי חולים. Key metrics כוללים חומר חלקיקים (PM), פחמן דו חמצני (CO2) ריכוז, תרכובות אורגניות תנודתיות (VOCs), עומס מיקרוביאלי, ויעילות של ventilation בהסרת contaminants.עבור בקרת זיהום, FLT:0air-change-change-change-change יעילותFLT:1 ו-FLT:2pressials בין אזורי אופטימיזציה בין IFerc.

נוחות

נוחות המטופל משפיעה ישירות על שיעורי ההתאוששות.טמפרטורות ולחות חייב להישאר בתוך להקות צרות (למשל, 68-75 מעלות צלזיוס, 30-60% RH) צוות רפואי צריך גם תנאים תרמיים התומכים בעבודה מדויקת.הנוחות הירומית היא מדד סובייקטיבי, לעתים קרובות כפיה באמצעות FLT:0 (Predicted Mean הצבעה (PMV)FRELT:1 אוLTF:2Peratiage People Disatiated) מגובה של אנרגיה (PPs) תוך הימנעות מאינדקס קירור יעיל יותר (preditated Energy Index) או מצמצם את רמת נוחות).

עלויות תפעול

מעבר לאנרגיה, עלויות תפעול כוללות החלפת מסנן, תחזוקה עבודה והשפלה בציוד.לדוגמה, oversizing מסננים כדי להשיג טוב יותר IAQ עשוי להגדיל את תדירות האנרגיה והתחזוקה של המעריצים.MOO יכול לעזור למצוא את הנקודה המתוקה שבה העלות הכוללת של הבעלות מצטמצם ללא הקרבה של ביצועים חיוניים.

השפעה סביבתית

בתי חולים רבים מציבים כיום מטרות פחמן-נפטיות (MOOO) יכולות לכלול פליטות פחמן מחזור חיים או מדדי השפעה סביבתיים כגון:0Global Warming potential (GWP)PSKFLT:1 או FLT:2Energy Use Intensity (EUI)FLT 3: 3.

שיטות ואלגוריתמים עבור Multi-Objective HVAC אופטימיזציה

פתרון בעיית אופטימיזציה רב-אובייקטיבית עם מורכבות בעולם האמיתי HVAC דורש אלגוריתמים חזקים.הגישות הנפוצות ביותר בפרקטיקה אקדמית ותעשייתית כוללות:

אלגורית'מים גנטיים (GA)

אלגוריתמים גנטיים הם מטא-הציוניסטים המבוססים על אוכלוסייה בהשראת הברירה הטבעית.הם שומרים על קבוצה של פתרונות מועמדים וליישם את crossover, מוטציות ומפעילי בחירה. Variants כמו FLT:0NSGA-II (לא-דוויד ממיין גנטיקה Algorithm II)FLT:1 הם פופולריים כי הם משמרים במפורש מגוון והתכנסות במהירות.

Particle Swarm Optimization (PSO)

PSO מחקה את ההתנהגות החברתית של צאן ציפורים או בתי ספר דגים.כל "חלקיק" מייצג פתרון ועובר דרך חלל החיפוש מבוסס על המיקום הידוע ביותר שלה ואת המיקום הידוע ביותר של חבור. גירסאות מרובות אובססיביות כמו FLT:0MOPSOFLT:1 מרחיב את הרעיון באמצעות ארכיון חיצוני של פתרונות שאינם מזוהים.

אופטימיזציה Bayesian

עבור סימולציות יקרות חישוביות (למשל, מודלים של אנרגיה בבניית מלאה), אופטימיזציה ביירסי עם תהליכים גאוסיים יכול לחקור ביעילות את פני השטח Pareto.הוא בונה מודל חלופי של המטרות ובחירת נקודות דגימה אשר איזון חקר וניצול. שיטה זו דורשת פחות הערכות אבל לא יכול להתמודד עם מטרות רבות היטב.

תכנות של Integer Linear (MILP)

כאשר מטרות הן ליניאריות והמערכת יכולה להיות מחוסמת למצבים דיסקרטיים (למשל, ציוד על /off), מפתרי MILP יכולים לספק מערכות Pareto אופטימליות בעולם.גישה זו נפוצה לתזמון אופטימלי של מצמררים מרובים או רותחים, אבל היא נאבקת עם דינמיקות תרמיות לא לינאריות ומטרות לא-convex.

גישות היברידיות

מסגרות MOO מודרניות רבות משלבות מודלים פונדקאית מונעים נתונים (רשתות עצביות, יערות אקראיים) עם אלגוריתמים אבולוציוניים.הפונדקאית המשוערת היא הסימולציה היקרה, ומאפשרת הערכות מועמד רבות יותר.זה שימושי במיוחד עבור בית החולים HVAC שבו מודלים דינמיים חישוביים מפורטים (CFD) משמשים כדי להעריך את הסיכון לזיהום.

(בפועל) מהנדסים משתמשים לעתים קרובות ב-FLT:0 (השלמה) בשיטה של נספח מהיר, אך זה יכול להחמיץ חלקים שאינם-convex של חזית Pareto. for Serious Hospital design or retrofit, אלגוריתם רב-אובייקטיבי אמיתי כמו NSGA-II מומלץ כלי תוכנה כגון LT2EnergyFlica או RELT5;

ביצוע צעדים בבית חולים

יישום מערכת HVAC לבית חולים דורש תהליך מובנה:

  1. (FLT:0) מטרות ומגבלות: FLT:1 לעבוד עם מנהלי מתקן בית חולים, מומחי בקרת זיהום ומהנדסים מכניים כדי לציין את התפקודים האובייקטיביים (למשל צריכת אנרגיה, זיהום, זיהום פרוקסי, משפטי נוחות) ומגבלות קשות (למשל, מינימום ACH, מהירויות של לחץ, לחץ על שונים).
  2. (FLT:0)Develop מודל מערכת: FLT:1 צור מודל סימולציה של מערכת HVAC ואת אזורי התרמית.זה יכול להיות רשת פשוטה התנגדות-capacitance (RC), מודל אנרגיה מלא פלוס, או מודל CFD לאזורים קריטיים.מודל צריך ללכוד אינטראקציות בין משתנים כגון טמפרטורת אספקה, מהירות מעריצים, עמדות לחות, ושטחי עומס.
  3. (FLT:0) נתוני קודלק: 1FLT:1 Gather היסטורי נתונים, רשומות מפקד המטופל, לוח זמנים של צוות, ונתונים של מד אנרגיה.אם נתונים בזמן אמת זמינים (באמצעות BAS / BMS), למקם את המודל לביצועים בפועל.
  4. (FLT:0) רוץ אופטימיזציה: FLT 1 (הוציאו להורג את אלגוריתם MOO הנבחר, לעתים קרובות על אשכול מחשוב בעל ביצועים גבוהים עקב סימולציה רבות.
  5. (FLT:0) ,Analyze חזית Pareto:cioFLT:1 ויזואליזציה של ה- Trading-offs (למשל, אנרגיה לעומת סיכון לזיהום) השתמש במזימה אינטראקציה או לתאם מקביל כדי להבין את הרגישות.
  6. (FLT:0)Implement and אימות: FLT:1hil החל את אסטרטגיית הבקרה שנבחרה או שינוי עיצוב במערכת האמיתית - או בתאום דיגיטלי - ומפקח על אינדיקטורים לביצועים מרכזיים.
  7. (FLT:0)Iterate:FLT:1 תנאי בית החולים מתפתחים (אגף חדש, שינוי בשימוש, וריאציות עונתיות) Re-run Optimization מעת לעת או לעבור להתאמה בזמן אמת בתנאים דינמיים.

יישומים אמיתיים ומקריות

MOO for Hospital HVAC אינו רק תיאורטי.מספר מחקרים מראים את מעשיה:

  • מחקר שנערך בשנת 2021 התאים את מערכת HVAC של בית חולים הוראה גדול בסין באמצעות NSGA-II. מטרות היו צריכת אנרגיה שנתית, ריכוז CO2 ונוחות תרמיות.חזית Pareto הראה כי ירידה של 15% באנרגיה הייתה אפשרית ללא החמרה של נוחות או IAQ מעבר לסף (FLT:0Direct Science ReferenceFalralral ReLT:1).
  • החוקרים במעבדה הלאומית לאנרגיה מתחדשת (NREL) שילבו את MOO עם תאומים דיגיטליים של בית חולים כדי לייעל את צריכת האנרגיה ואת הסיכון לזיהום במהלך מגפת COVID-19.הם מצאו כי הגדלת האוורור ל-6 ACH תוך שימוש בשיקום enthalpy יכול ללחוץ את ריכוז פתוגנים באוויר עם רק עונש אנרגיה 12% (FLT:0ELL הפניה 1LT).
  • פרויקט רטרופיט בבית חולים אירופי השתמש אופטימיזציה חלקיקים כדי להתאים נקודות עבור 12 יחידות אוויריות.חזית Pareto סייע צוות המתקן לבחור תצורה שהצילה 80,000 יורו מדי שנה תוך שמירה על רמות איכות האוויר הדרושות.

דוגמאות אלה מראות כי MOO יכול לספק חיסכון מוחשי ושיפורי בטיחות כאשר הוא מיושם באופן שיטתי.

היתרונות של אופטימיזציה רב-Objective בבית החולים HVAC

אימוץ MOO מניב מספר יתרונות מעשיים עבור פעילות בית החולים ועיצוב:

  • (FLT:0) קבלת החלטות מבוססת-הגנה: ראשי פקולטות:1 יכולים לראות כפיפות מסחר קוונטיות ולא להסתמך על כללים של או ניחושים.
  • (FLT:0) שיפור החוסן: ההרחבה 1 (Preto Fronts) חושפת פתרונות חזקים לאי ודאות (למשל, מגפת מגיפה, גלי חום) יכולים לפני סלקטיבי נקודות הפעלה.
  • (ב) ,0) ציות לתקנות: 1FLT:1 מבטיח כי מגבלות (למשל, שיעורי האוורור המינימלי מ FLT:2CDC הנחיות ל-FLT 3: 3) הן מגבלות קשות תוך מיקסום מטרות אחרות.
  • (FLT:0) אספקת עלויות אנרגיה:FLT:1u הפחתה טיפוסית של 10-30% דווחו ללא הפרה של IAQ או גבולות נוחות.
  • (ב) ,0) הוכח כי הוא: FLT:1 במקום לבדוק כל הגדרת שליטה אפשרית, MOO מזהה את הנקודות הטובות ביותר ישירות, צמצום זמן ההגשה.
  • (FLT:0) אינטגרציה עם מטרות קיימות: FIRLT:1 , מערכות בית חולים רבות עוקבות אחר פליטות פחמן; MOO יכול למזער באופן ישיר את ה- CO2 שווה ערך תוך הבטחת בטיחות.

אתגרים ושיקולים מעשיים

למרות הבטחתו, יישום MOO בבית החולים HVAC אינו טריוויאלי.

המונחים: Expense

הפעלת מאות אלפי סימולציות יכולה לקחת שעות או ימים, אפילו עם מחשוב ביצועים גבוהים.זה מגביל את השימוש במודלים גבוהים של CFD לסיכון לזיהום.מודלים של Surrogate עוזרים אך מציגים שגיאות של חיזוי.

מודל

מודל בית חולים HVAC חייב ללכוד דינמיקות תרמיות, דפוסי זרימת אוויר, והתנהגות ציוד עם נאמנות גבוהה. Simplifications יכול לייצר חזיתות Pareto מטעות. Calibration עם נתונים אמיתיים הוא חיוני אבל לעתים קרובות רב עוצמה משאבים.

חוסר ודאות במזג אוויר ומזג אוויר

בית החולים דיקור (הכולל, למשל, תחזיות מזג האוויר) יש שגיאות.פתרונות MOO אופטימליים עבור קלטות ⁇ עשויים להיכשל בתנאים אמיתיים.

שילוב עם מערכות ניהול בנייה (BMS)

רוב BMS מבוגר יותר אינם מצוידים ליישם נקודות סטקט פארטו-אופטימליות שנקובות באופן לא מקוון. עבור אופטימיזציה בזמן אמת, אלגוריתם MOO חייב לפעול על גבי קצה או בענן ולתקשר עם BMS באמצעות פרוטוקולים פתוחים (BACnet, Modbus). שילוב זה יכול להיות יקר ודורש אמצעי אבטחת סייבר.

קבלה של בעלי מניות

מהנדסים ומנהלי מתקן שהתרגלו לנקודות פשוטות עשויים לא לבטוח בתוצאות אופטימיזציה של ארגז שחור.לדמיין את ה-Preto Trade-off ולהסביר את הפיזיקה הבסיסית היא חיונית לאימוץ.

כיוונים עתידיים

התחום מתפתח במהירות.כמה מגמות יעצבו את הדור הבא של אופטימיזציה של בית החולים HVAC:

Machine Learning and Data-Driven Surrogates

רשתות נילי המוכשרות בנתונים היסטוריים יכולות להחליף מודלים המבוססים על פיסיקה עבור רבים של אופטימיזציה, להפחית באופן דרסטי את חישובים (FLT:0) חיזוק למידה FLT:1 נחקר גם עבור שליטה בזמן אמת מתמשך הממגלה מדיניות Pareto-optimal.

תאומים

תאום דיגיטלי דינמי של בית החולים, המשיך לסנכרון עם הבניין האמיתי, מאפשר MOO לבצע ברציפות ואת התוצאות כדי להיבדק בסימולציה לפני הפריסה.זה מפחית סיכון ומאפשר אופטימיזציה הסתגלותית כמו תנאים משתנים.

שליטה מרובה-Objective

אלגוריתמים כמו FLT:0 (MPC) עם ניסוח רב-אובייקטיבי של פשטות FLT:1 מתעוררים.הם יכולים לשנות את נקודת התפעול לאורך חזית Pareto כל כמה דקות בהתבסס על קוראי חיישן נוכחי, זמינות אנרגיה מתחדשת וביקוש אותות תגובה.

שילוב עם Broader Hospital Systems

אופטימיזציה HVAC אינה קיימת בבידוד.העבודה העתידית תתחבר עם תאורה, עומסי תקע, תזמון ציוד רפואי ואפילו זרימת חולים. אופטימיזציה רב-אובייקטיבית הוליסטית אמיתית עבור המערכת האקולוגית כולה יכולה להשיג סינרגיות גדולות עוד יותר.

מסקנה

אופטימיזציה רב-אובייקטיבית מציעה גישה מעשית רבת עוצמה לניהול של פעולות מסחר טבועות בבתי החולים HVAC. על ידי התייחסות מפורשת ליעילות אנרגיה, איכות אוויר מקורה, נוחות תרמית, עלויות וסיכון זיהום, מנהלי מתקנים ומהנדסים יכולים לקבל החלטות מושכלות לשיפור תוצאות המטופל וביצועים תפעוליים הדרושים כדי לשפר את איכות החישוב והאינטגרציה שלהם להישאר, התקדמות באלגוריתמים, תאומים דיגיטליים, ובקרת אנרגיה אמיתית הם צמצום במהירות המגבלות עבור טיפול רפואי: FASH2 החל שיפור תהליכים מתקדמים.