Los hogares de bajos ingresos en Estados Unidos soportan una carga energética tres veces mayor que la del hogar promedio, según el Departamento de Energía de Estados Unidos.En total, más de 46 millones de hogares estadounidenses soportan una carga energética significativa, lo que significa que pagan más del 6% de sus ingresos brutos por gastos básicos de energía, como refrigeración y calefacción de sus hogares.

Los elementos de diseño pasivo, como la ventilación natural, pueden desempeñar un papel fundamental en la reducciónconsumo de energía.Al aprovechar las fuentes de energía ambiental, como la luz solar y el viento, pueden crear un ambiente más confortable a bajo costo o sin costo alguno.Sin embargo, los datos sobre el diseño pasivo son escasos, lo que dificulta evaluar el ahorro de energía a gran escala.

Para abordar esa necesidad, un equipo interdisciplinario de expertos de la Universidad de Notre Dame, en colaboración con profesores de la Universidad de Maryland y la Universidad de Utah, ha encontrado una manera de utilizar la inteligencia artificial para analizar las características de diseño pasivo de un hogar y predecir su energía.gastos con más del 74% de precisión.

Combinando sus hallazgos condatos demográficosIncluyendo los niveles de pobreza, los investigadores han creado un modelo integral para predecir la carga energética en 1.402 zonas censales y casi 300.000 hogares en el área metropolitana de Chicago.Su investigaciónfue publicado este mes en la revistaConstrucción y Medio Ambiente.

Los resultados arrojan conocimientos invaluables para los formuladores de políticas yplanificadores urbanos, dijo Ming Hu, decano asociado de investigación, becas ytrabajo creativoen la Escuela de Arquitectura, lo que les permitirá identificar los vecindarios más vulnerables y allanar el camino hacia ciudades inteligentes y sostenibles.

"Cuando las familias no pueden permitirse el lujoaire acondicionado"O el calor, puede conducir a graves riesgos para la salud", dijo Hu. "Y estos riesgos sólo se ven exacerbados por el cambio climático, que se espera que aumente tanto la frecuencia como la intensidad de los eventos de temperaturas extremas.Existe una necesidad urgente y real de encontrar soluciones de bajo costo y baja tecnología para ayudar a reducir la carga energética y ayudar a las familias a prepararse y adaptarse a nuestro clima cambiante".

Además de Hu, que es profesor asociado simultáneo en la Facultad de Ingeniería, el equipo de investigación de Notre Dame incluye a Chaoli Wang, profesora de informática e ingeniería;Siyuan Yao, estudiante de doctorado del Departamento de Ingeniería y Ciencias de la Computación;Siavash Ghorbany, estudiante de doctorado del Departamento de Ingeniería Civil y Ambiental y Ciencias de la Tierra;y Matthew Sisk, profesor asociado de la práctica en el Lucy Family Institute for Data and Society.

Su investigación se centró en tres de los factores más influyentes en el diseño pasivo: el tamaño de las ventanas de la vivienda, los tipos de ventanas (operables o fijas) y el porcentaje del edificio que tiene sombra adecuada.

Utilizando una red neuronal convolucional, el equipo analizó imágenes de Google Street View de edificios residenciales en Chicago y luego realizó diferentes métodos de aprendizaje automático para encontrar el mejor modelo de predicción.Sus resultados muestran que las características de diseño pasivo están asociadas con la carga energética promedio y son esenciales para los modelos de predicción.

"El primer paso para mitigar la carga energética para las familias de bajos ingresos es comprender mejor el problema y poder medirlo y predecirlo", dijo Ghorbany."Entonces preguntamos: "¿Qué pasaría si pudiéramos utilizar herramientas y tecnologías cotidianas como Google Street View, combinadas con el poder del aprendizaje automático, para recopilar esta información?" Esperamos que sea un paso positivo hacia la justicia energética en los Estados Unidos.".

El modelo resultante es fácilmente escalable y mucho más eficiente que los métodos anteriores de auditoría energética, que requerían que los investigadores fueran edificio por edificio a través de un área.

Durante los próximos meses, el equipo trabajará con el Centro de Innovación Cívica de Notre Dame para evaluar residencias en las comunidades locales de South Bend y Elkhart.Ser capaz de utilizar este modelo para llevar información de manera rápida y eficiente a las organizaciones que pueden ayudar a las familias locales es un siguiente paso emocionante para este trabajo, dijo Sisk.

"Cuando hay una mayor carga energética, ¿de dónde se está sacando ese dinero? ¿Se está sacando de oportunidades educativas o de alimentos nutritivos? ¿Contribuye entonces a que esa población se vea cada vez más privada de sus derechos a medida que pasa el tiempo?"dijo Sisk."Cuando analizamos problemas sistémicos como la pobreza, no hay nada que pueda solucionarlo. Pero cuando hay un hilo que podemos tirar, cuando hay medidas viables que pueden empezar a mejorar un poco, eso es realmente poderoso".

Los investigadores también están trabajando para incluir características adicionales de diseño pasivo en el análisis, como aislamiento, techos frescos y techos verdes.Y, eventualmente, esperan ampliar el proyecto para evaluar y abordar las disparidades en la carga energética a nivel nacional.

Para Hu, el proyecto es emblemático de los compromisos de la Universidad tanto con la sostenibilidad como con la ayuda a un mundo necesitado.

"Esta es una cuestión de justicia ambiental. Y esto es lo que hacemos tan bien en Notre Dame... y lo que deberíamos estar haciendo", dijo."Queremos utilizar avances como la IA y el aprendizaje automático no sólo porque son tecnologías de vanguardia, sino para el bien común".

Más información:Siavash Ghorbany et al, Examinando el papel de los indicadores de diseño pasivo en la reducción de la carga energética: conocimientos desde un enfoque de aprendizaje automático y aprendizaje profundo,Construcción y Medio Ambiente(2023).DOI: 10.1016/j.buildenv.2023.111126