• شماره ركورد
    33889
  • پديد آورنده

    سيد ابوالفضل عقيلي

  • عنوان
    ارائه چارچوبي جهت تعيين تاب¬آوري بلندمدت سيستم تهويه مطبوع بيمارستاني با استفاده از هوش مصنوعي
  • مقطع تحصيلي
    دكتري
  • رشته تحصيلي
    مهندسي عمران - مهندسي و مديريت ساخت
  • سال تحصيل
    1398
  • تاريخ دفاع
    1404/07/20
  • استاد راهنما
    مصطفي خانزادي
  • استاد مشاور
    مرتضي رهبر
  • دانشكده
    مهندسي عمران
  • چكيده
    افزايش روزافزون پيچيدگي سيستم‌هاي بيمارستاني و لزوم تضمين پايداري عملكرد آن‌ها، ضرورت توسعه چارچوب‌هاي نوين براي مديريت هوشمند تجهيزات حياتي را آشكار ساخته است. در اين ميان، سيستم‌هاي گرمايش، سرمايش و تهويه مطبوع به عنوان يكي از اركان اصلي تأمين سلامت محيطي، نقشي محوري در كنترل عفونت و پايداري عملكرد مراكز درماني ايفا مي‌كنند. با اين حال، اين سيستم‌ها همواره در معرض اختلالات تدريجي، ناهنجاري‌هاي عملكردي و فرسايش طولاني‌مدت قرار دارند كه در صورت عدم شناسايي به‌موقع، مي‌تواند به افت كارايي، افزايش هزينه‌هاي عملياتي و تهديد ايمني بيماران منجر شود. در اين پژوهش، با هدف ارتقاي تاب‌آوري بلندمدت سيستم‌هاي بيمارستاني، چارچوبي داده‌محور مبتني بر هوش مصنوعي توسعه يافته است. در اين راستا، داده‌هاي محيطي و عملياتي از واحدهاي تهويه مطبوع يك بيمارستان جمع‌آوري شده و با بهره‌گيري از الگوريتم‌هاي يادگيري عميق پيش بيني تاريخچه زماني دما و رطوبت و سپس شناسايي عيوب احتمالي انجام گرفت. نتايج نشان داد كه مدل‌هاي يادگيري عميق قادر به شناسايي افت كارايي سيستم با دقت ميانگين 2/97% هستند. همچنين، ميانگين همبستگي بالاي 6/85% بين نتايج پيش‌بيني و داده‌هاي واقعي در پيش‌بيني بلندمدت، بيانگر انحراف كم بين مقادير پيش‌بيني‌شده و واقعي است. به‌منظور ارزيابي كمي عملكرد حرارتي و سنجش سطح تاب‌آوري سامانه‌هاي تهويه مطبوع بيمارستاني، شاخص جديدي با عنوان شاخص آسايش سايكرومتريك (Psychrometric Comfort Performance Index- PCPI) توسعه داده شد. اين شاخص بر اساس فاصله اقليدسي نقاط دما و رطوبت از ناحيه آسايش، عملكرد سيستم را به‌صورت عددي در بازه‌ي 0 تا 1 محاسبه مي‌كند؛ به‌گونه‌اي كه مقادير بالاتر از 1 بيانگر وضعيت بهينه، و مقادير كمتر از 0.8 نشانگر شرايط بحراني سيستم است. بر اين اساس، چارچوب پيشنهادي با تركيب يادگيري عميق و شاخص PCPI، امكان پايش كمي، زودهنگام و پيش‌بينانه رفتار سيستم‌هاي بيمارستاني را فراهم نموده و مي‌تواند با كاهش نرخ اختلالات عملكردي، موجب افزايش پايداري، طول عمر تجهيزات و بهبود ايمني و سلامت بيماران گردد.
  • تاريخ ورود اطلاعات
    1404/08/09
  • عنوان به انگليسي
    A Framework for Determining the Long-Term Resilience of Hospital HVAC Systems Using Artificial Intelligence
  • تاريخ بهره برداري
    10/22/2025 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    سيدابوالفضل عقيلي

  • چكيده به لاتين
    The increasing complexity of hospital systems an‎d the necessity to ensure their operational sustainability highlight the need for intelligent frameworks to manage critical equipment. Heating, ventilation, an‎d air-conditioning (HVAC) systems play a key role in maintaining indoor environmental quality, infection control, an‎d the overall resilience of healthcare facilities. However, these systems are often exposed to gradual degradations an‎d long-term wear, which may cause efficiency losses an‎d safety risks if not detected pro‎mp‎tly. This study proposes a data-driven artificial intelligence framework to enhance the long-term resilience of hospital HVAC systems. Environmental an‎d operational data were collected from air han‎dling units, an‎d deep learning algorithms were applied for time-series prediction of temperature an‎d humidity, followed by fault detection. The developed models achieved an average fault detection accuracy of 97.2% an‎d a correlation coefficient of 0.856 between predicted an‎d actual values, confirming their reliability for long-term forecasting. To quantitatively assess thermal performance an‎d resilience, a novel metric named the Psychrometric Comfort Performance Index (PCPI) was introduced. This index calculates system performance numerically (0–1) based on the Euclidean distance of temperature an‎d humidity from the comfort zone, where values above 1 indicate optimal conditions an‎d below 0.8 indicate critical states. Integrating deep learning with the PCPI index enables quantitative an‎d predictive monitoring of hospital HVAC systems. The proposed framework enhances operational stability, reduces performance disruptions, an‎d contributes to the safety, energy efficiency, an‎d sustainability of healthcare environments.
  • كليدواژه هاي فارسي
    تاب‌آوري بلندمدت، سيستم‌هاي تهويه مطبوع بيمارستاني، يادگيري عميق، شناسايي عيوب، شاخص آسايش سايكرومتريك (PCPI)
  • كليدواژه هاي لاتين
    Long-term resilience, Hospital HVAC systems, Deep learning, Fault detection, Psychrometric Comfort Performance Index (PCPI)
  • Author
    Seyed Abolfazl Aghili
  • SuperVisor
    Mostafa Khanzadi
    • لينک به اين مدرک
    https://dl.iust.ac.ir/dl/search/default.aspx?Term=33889&Field=0&DTC=6