Published: June 20, 2022

This thesis presents a methodology for CFD-based multi-fidelity surrogate models indoor environmental applications. The main idea of this work is to develop model that has accuracy comparable CFD simulations but at considerably lower computational cost. It can perform real-time or faster than environments using ordinary office computers. be divided into three parts. In the first part, rigorous analysis feasibility affordable high-fidelity environment design and control carried out. chapter, we analyze two representative test cases, which imitate common airflow configurations, on wide range different turbulence discretization methods meet requirements cost, run-time, accuracy. We apply knowledge growth in power advances numerical algorithms order possibility performing accurate yet no-model LES with staggered discretizations studied show best performance. conclude computers are too slow used as primary tool control. Taking account laws computer prediction, estimate these applications next decades. second part dedicated developing data-driven predict comfort-related flow parameters ventilated room. chapter uses previously tested cavity heated floor case. developed predicts set parameters, such average Nusselt number hot wall, jet separation point, kinetic energy, enstrophy, temperature, were also comprehensively previous thesis. based gradient boosting regression, chosen due its performance among four machine learning methods. inputs temperature velocity values locations, act sensor readings. locations sensors determined by minimizing prediction error. does not require repetition applied since structure input data imitates Furthermore, low cost execution good makes it an effective alternative where rapid predictions complex configurations required, predictive third extension part. implement approach reduce training dataset generation. Gaussian process regression (GPR), capable handling data. variable fidelity constructed coarse- fine-grid model. approaches: GPR trained both high- low-fidelity without distinction, linear correction, co-cringing. approaches compared GPRs only All successfully generation while maintaining required level co-cringing demonstrates trade-off between Esta tesis presenta una metodología para modelos sustitutos de fidelidad múltiple basados en aplicaciones ambiente interior. La principal este trabajo es desarrollar un modelo que tenga precisión las simulaciones pero costo computacional considerablemente inferior. metodologia permite realizar tiempo real o más rápido utilizando ordinadores oficina ordinarios. Este se puede dividir tres partes principales. En la primera parte, lleva cabo análisis viabilidad asequibles alta el diseño y ambientes interiores. capítulo, analizamos dos casos, imitan configuraciones comunes flujo aire interior, amplia gama diferentes turbulencia métodos discretización. Aplicamos conocimiento sobre crecimiento potencia analizar posibilidad precisas Los sin con discretizaciones escalonadas muestran mejor rendimiento. Concluimos son demasiado lentas ser utilizadas como herramienta Teniendo cuenta leyes predicción del computacional, estimamos estas durante próximas décadas. segunda parte esta está dedicada al desarrollo sustituto basado datos predecir los parámetros habitación ventilada. El desarrollado predice conjunto flujo, número promedio pared caliente, punto separación chorro, energía cinética promedia, entrofia promedia temperatura promedia. basa regresión aumento gradiente, elegida debido su rendimiento preciso entre cuatro aprendizaje automático probados. Las entradas valores velocidad ubicaciones, actúan lecturas sensor. ubicaciones estos sensores determinaron minimizando error predicción. no requiere aplicación repetición ya estructura entrada imita Además, bajo ejecución buena lo convierten alternativa eficaz requieren predicciones rápidas complejas, predictivo modelo. tercera extensión parte. implementamos enfoque reducir generación entrenamiento. procesos gaussianos capaz manejar múltiple. construye CFD. Probamos enfoques múltiple: entrenado baja distinción, corrección lineal co-krigeaje. comparan solo fidelidad. Todos probados reducen éxito conjuntos comparación mientras mantienen nivel requerido precisión. co-krigeaje demuestra compensación