Kan kunstig intelligens gjøre svømmehaller smartere – og billigere i drift? Ja, ifølge denne prosjektoppgaven fra NTNU. Resultatene viser at KI kan forutsi ventilasjonsbehov med høy presisjon – og åpner for betydelige energibesparelser. Alt dette ved hjelp av et drukningskamera.
Svømmehaller er blant de mest energikrevende byggene i Norge – særlig på grunn av behovet for kontinuerlig oppvarming og avfukting av store luftvolumer. Dette stiller høye krav til ventilasjonsanleggene, som ofte styres etter faste regler heller enn faktisk behov. Selv om mange anlegg er utstyrt med avanserte bygningsautomasjonssystemer (BAS), mangler de gjerne dynamisk og prediktiv styring.
I denne studien undersøkes det om kunstig intelligens kan bidra til mer behovstilpasset ventilasjon. Ved hjelp av data fra et drukningskamera som teller antall personer i bassenget, testes det om en KI-modell kan forutsi ventilasjonsbehovet – og dermed gjøre styringen både smartere og mer energieffektiv.
Metode
Studien tar utgangspunkt i feltmålinger av temperatur og relativ fuktighet (RF) fra opplæringsbassenget i Åfjord svømmehall, kombinert med data fra SD-anlegget og det nevnte drukningskameraet.
To hovedmetoder ble brukt:
- Korrelasjonsanalyser for å undersøke sammenheng mellom antall badende og inneklimavariabler (CO₂, temperatur, RF).
- Maskinlæringsmodeller (Multippel lineær regresjon og Random Forest) for å predikere ventilasjonsvariabler som spjeldpådrag og tilluftmengde.
Datamodelleringen ble gjort med trenings-, test- og valideringssett for å sikre robusthet, og analysene inkluderte også vurdering av avvik mellom SD-anlegg og feltmålinger.
Hovedfunn
- Sammenhenger: Det er en tydelig korrelasjon mellom antall personer i bassenget og inneklimaparametere som CO₂, RF og temperatur.
- Modellpresisjon: KI-modellene, spesielt Random Forest, viser høy prediksjonspresisjon for både tilluftmengde og spjeldpådrag.
- Avvik: Studien avdekket avvik mellom SD-data og faktiske målinger, noe som tyder på at dagens regelbaserte kontroll kan være mindre presis enn ønsket.
- Energipotensial: KI-modellene gir et grunnlag for mer behovstilpasset ventilasjon, som kan redusere unødvendig oppvarming og luftbehandling.
Eksempel: Fra regelbasert til behovsstyrt ventilasjon
Tradisjonelt styres ventilasjonen i svømmehaller av faste settpunkter og målinger av avtrekksluft. Dette innebærer at anlegget kan overkompensere for avvik, f.eks. ved å tilføre mye luft selv om bassenget er tomt. Ved å bruke personantall som indikator kan styringen optimaliseres:
- I perioder med få badende: redusert luftmengde og varmebehov
- I travle perioder: tilpasset økning av luftutskifting og avfuktning
- Resultat: Lavere energibruk uten å gå på bekostning av komfort eller luftkvalitet
Scenario for framtidig bruk
Dersom slike KI-baserte systemer implementeres bredt i norske svømmehaller, kan det potensielt:
- Kutte energiforbruket i ventilasjonsanleggene med betydelige prosenter
- Redusere klimagassutslipp fra offentlige bygg
- Øke levetiden til teknisk utstyr ved jevnere drift
- Gi bedre datadrevet styring og planlegging av drift
Konklusjon
Studien viser at kunstig intelligens, kombinert med sensordata fra et drukningskamera, kan gi bedre styring av ventilasjon i svømmehaller. Modellene predikerer styringsparametre med høy nøyaktighet og åpner for et nytt paradigme innen behovsstyrt inneklimaregulering.
Et fremtidig skritt bør være pilotprosjekter i flere svømmehaller og integrasjon i eksisterende SD-systemer. Studien understreker også viktigheten av tilgjengelige og rene data for å få pålitelige resultater.
Lese hele oppgaven?
Ønsker du å lese selve prosjektoppgaven? Ta kontakt på gia@siat.no så sender vi deg den på e-post!
