[Data-Driven Control of COVID-19 in Buildings: A Reinforcement-Learning Approach]

资源内容介绍

这篇文章名为《通过强化学习方法进行建筑物内COVID-19的数据驱动控制》。文章聚焦于COVID-19大流行所带来的公共卫生危机，它不仅对人们的健康构成威胁，还导致了工作场所关闭，造成了超过16万亿美元的经济损失。由于人们平均每天在建筑物及室内环境中花费的时间较长，该研究提出了数据驱动的控制策略，以设计优化的室内气流，旨在最小化居住者接触病毒性病原体的风险。文章详细描述了一种用于设计最优速度场的通用控制框架，并使用了称为PPO（proximal policy optimization）的先进强化学习算法来以数据驱动的方式解决问题。通过这种方式，研究人员计算出了优化的气流分布，然后通过逆向工程通过适当的通风设备布局实现，例如进风口、出风口和风扇的合理配置。此外，文章还探讨了使用数据驱动技术来寻找消毒剂的最优放置点以中和病毒病原体，作为气流设计的替代方案。如果存在针对COVID-19的消毒剂，如过氧化氢，则可以采用这种方法。通过计算模拟，研究显示控制代理能够学习到最优策略。在未来的研究中，研究团队计划解决系统状态稀疏测量下的控制器设计问题。研究成果证明了该数据驱动方法在设计具有完全系统状态访问权限的稳态控制器方面的有效性。研究的关键词涵盖了疾病控制、COVID-19、强化学习、数据驱动控制和暖通空调系统等。文章提出的观点和研究方法将对建筑设计、建筑运营管理以及疫情防控政策制定具有重要的参考价值，特别是在设计和调整建筑环境中的通风系统以及采取有效的病毒消毒措施方面。通过数据驱动的方法，可以更精确地控制和优化室内环境，从而有效降低病毒传播的风险，确保居住者和工作人员的安全与健康。该研究成果不仅在科学理论层面具有创新性，更重要的是它在实际应用中具有极大的实用性。文章中提出的强化学习算法和数据驱动的控制方法可以被集成到现有的建筑自动化和通风系统中，为建筑物内的健康风险提供动态的、智能的解决方案。此外，研究中提到的优化通风设备布局和消毒剂使用的方法，也具有创新性和实用性，为建筑环境的健康保障提供了新的思路。通过这些方法的应用，有助于构建更加安全和健康的建筑环境，对抗未来可能出现的类似疫情。在未来的研究中，研究者将继续探索如何利用更少的系统状态测量数据来进行有效的控制器设计，进一步提升数据驱动方法的适应性和灵活性。文章的研究成果将对建筑物内COVID-19疫情控制和未来呼吸道传染病的预防和控制具有重要的指导意义。