Maaaring gamitin ang AI upang pag-aralan at hulaan ang mga antas ng ingay sa labas at ang epekto nito sa kaginhawahan ng user sa mga entrance space ng isang gusali sa pamamagitan ng mga sumusunod na hakbang:
1. Pagkolekta ng Data: Mag-install at gumamit ng mga noise sensor o mikropono sa paligid ng gusali upang mangolekta ng real-time na data ng audio ng mga antas ng ingay sa labas. Ang pagkolekta ng data na ito ay dapat magsama ng iba't ibang salik gaya ng oras ng araw, araw ng linggo, lagay ng panahon, at anumang partikular na kaganapan o aktibidad sa malapit.
2. Preprocessing ng Data: Linisin at paunang iproseso ang nakolektang audio data upang alisin ang anumang ingay o interference na walang kaugnayan sa panlabas na kapaligiran. Maaaring kabilang dito ang mga diskarte gaya ng pag-filter, pagbabawas ng ingay, at normalisasyon.
3. Extraction ng Feature: I-extract ang mga nauugnay na feature mula sa preprocessed audio data na makakatulong sa pagkilala sa mga antas ng ingay at kaginhawaan ng user. Maaaring kasama sa mga feature na ito ang intensity ng tunog, frequency distribution, temporal patterns, at psychoacoustic metrics gaya ng loudness o annoyance.
4. Pag-label ng Data: Lagyan ng label ang preprocessed na data ng kaukulang mga subjective na rating ng kaginhawaan ng user na nakolekta sa pamamagitan ng mga survey o feedback ng user. Gagawa ito ng may label na dataset para sa pagsasanay ng modelo.
5. Pagsasanay sa Modelo: Gumamit ng mga diskarte sa machine learning para sanayin ang isang modelo ng hula gamit ang may label na dataset. Maaaring gumamit ng iba't ibang modelo ng AI, gaya ng mga regression model o deep learning architecture tulad ng convolutional neural network (CNNs) o recurrent neural network (RNNs).
6. Pagsusuri ng Modelo: Suriin ang pagganap ng sinanay na modelo gamit ang naaangkop na mga sukatan tulad ng mean squared error o katumpakan. Nakakatulong ang hakbang na ito na matiyak na tumpak na mahulaan ng modelo ang mga antas ng ingay sa labas at ang epekto nito sa kaginhawaan ng user.
7. Real-time na Prediction: I-deploy ang sinanay na modelo upang patuloy na suriin ang real-time na data ng audio mula sa mga noise sensor/microphone na naka-install sa labas ng gusali. Mahuhulaan ng modelo ang inaasahang antas ng ingay sa labas at matantya ang ginhawa ng user batay sa mga natutunang pattern.
8. Suporta sa Desisyon: Pagsamahin ang hinulaang mga antas ng ingay at pagtatasa ng kaginhawaan ng user sa iba pang mga sistema ng pagkontrol ng gusali upang makagawa ng matalinong mga desisyon. Halimbawa, pagsasaayos ng mga sistema ng bentilasyon o HVAC, pagkontrol sa mga device sa pagkansela ng ingay, o pag-abiso sa mga nakatira tungkol sa potensyal na kakulangan sa ginhawa.
Sa pamamagitan ng pagsasama ng AI sa pagsusuri at paghula ng mga antas ng ingay sa labas, maaaring i-optimize ng mga tagapamahala at taga-disenyo ng gusali ang kaginhawahan ng user, gumawa ng mga hakbang sa pag-iwas, at pahusayin ang pangkalahatang kalidad ng mga pasukan sa pasukan ng gusali.
Petsa ng publikasyon: