Statistical analysis of summer thermal comfort in a naturally ventilated office
Analyse statistique du confort thermique estival dans un bureau naturellement ventilé
Résumé
This article explores physical and thermal comfort data by analyzing the case study of an office located at Bourget du Lac, France. The assessment of natural ventilation performance applied to summer cooling is limited by the difficulty to predict interactions between occupant’s adaptive actions (windows opening, use of fans, degree of clothing) and his true thermal comfort sensation. One of the scientific challenges to overcome is to predict the occupant’s thermal sensation for a given environment and time. First, the measured data are analyzed and confronted to the prediction of standards adaptive model (norm NF EN 16798-1) and Givoni model. Then, we present a methodology for thermal comfort predictive model development including different statistical learning algorithms (multinomial linear regression, KNN, decision tree and random forest) and the relevance of oversampling the undersized thermal comfort categories with the SMOTE method is assessed.
Cet article explore les données d'ambiance et de confort thermique dans le cas d'un bureau situé au Bourget du Lac, France. L'évaluation de la performance de la ventilation naturelle pour le rafraichissement estival est limitée par la difficulté à prédire les interactions entre les actions adaptatives de l'occupant (ouverture des fenêtres, utilisation du brasseur d'air, degré d'habillement) et son confort thermique réellement ressenti. Un des verrous à lever est de pouvoir prédire le confort thermique de l'occupant, dans un environnement et à un instant donné. Dans un premier temps, nous analysons les données recueillies et les confrontons aux modèles standards de confort adaptatif norme NF EN 16798-1 et modèle de Givoni. Ensuite, nous présentons une méthodologie de développement de modèles de prédiction du confort thermique à l'aide de différents algorithmes d'apprentissage statistique (régression linéaire multinomiale, KNN, arbres de décision et random forest) et nous évaluons la pertinence de la méthode SMOTE pour doper les catégories de confort sous représentées.
Origine | Fichiers produits par l'(les) auteur(s) |
---|