1. مقدمه
طراحی روشنایی داخلی هم برای راحتی انسان و هم برای بهرهوری انرژی حیاتی است. در محیطهایی مانند دفاتر، روشنایی اغلب در حداکثر سطح نگه داشته میشود که منجر به مصرف انرژی قابل توجه و غیرضروری میشود که میتواند بیش از ۱۵٪ از کل مصرف برق یک ساختمان را تشکیل دهد. این مقاله سوئیچ نامرئی نور (ILS) را معرفی میکند، سیستمی نوآورانه که با تنظیم پویای روشنایی بر اساس نیازهای واقعی و ادراک ساکنان اتاق، این مسئله را حل میکند و در نتیجه صرفهجویی قابل توجهی در انرژی بدون به خطر انداختن راحتی کاربر به دست میآورد.
2. سیستم سوئیچ نامرئی نور (ILS)
2.1 مفهوم اصلی و انگیزه
ILS بر اساس اصل انسانمحور عمل میکند: چراغهایی را که در میدان دید (حجم دید) یک فرد قرار ندارند، کمنور میکند، زیرا نور این منابع در روشنایی درکشده او نقش ندارد. این امر به ویژه در دفاتر بزرگ و فضای باز که ممکن است چراغها برای یک نفر روشن باشند، مؤثر است. هدف این است که صرفهجویی در انرژی برای کاربر «نامرئی» باشد و سطح نور درکشده ثابت حفظ شود.
2.2 مروری بر خط لوله سیستم
خط لوله کلی، همانطور که در شکل ۲ PDF نشان داده شده است، شامل چندین مرحله کلیدی است:
- دریافت ورودی: دادههای RGBD (رنگ و عمق) از یک سیستم دوربین ضبط میشود.
- تحلیل صحنه: سیستم هندسه سهبعدی صحنه را بازسازی میکند و ویژگیهای فتومتریک مواد را تخمین میزند.
- تحلیل انسانمحور: حضور انسان را تشخیص میدهد و وضعیت سر (جهت نگاه) را تخمین میزند.
- کنترل نور: خروجی، چارچوب صرفهجویی در انرژی را هدایت میکند که به طور هوشمندانه چراغهای منفرد را کنترل میکند.
3. روششناسی فنی
3.1 تحلیل صحنه از ورودی RGBD
با استفاده از تصاویر RGBD، سیستم یک مدل سهبعدی از محیط داخلی میسازد. این شامل شناسایی سطوح، جهتگیریها و ویژگیهای مواد (مانند بازتابندگی) است که برای شبیهسازی دقیق انتقال نور حیاتی هستند.
3.2 تشخیص انسان و تخمین وضعیت سر
از تکنیکهای بینایی کامپیوتر برای تشخیص افراد در صحنه و تخمین وضعیت سر آنها استفاده میشود. حجم دید — حجم فضای قابل مشاهده از نقطه نظر یک فرد — محاسبه میشود. چراغهای خارج از این حجم، کاندیدای کمنور شدن هستند.
3.3 تخمین سطح نور مبتنی بر رادیوزیته
هسته اصلی ILS یک مدل رادیوزیته است. رادیوزیته یک الگوریتم روشنایی سراسری است که نحوه بازتاب متقابل نور بین سطوح پخش را شبیهسازی میکند. این مدل مقدار نور (بر حسب لوکس) رسیده به یک نقطه خاص در فضا — در این مورد، موقعیت تقریبی چشمهای یک فرد — را با در نظر گرفتن تمام سهمهای نور مستقیم و غیرمستقیم از چراغها و سطوح تخمین میزند.
مصرف انرژی (خط پایه)
18585 وات
مصرف روزانه بدون ILS
مصرف انرژی (با ILS)
6206 وات
مصرف روزانه با کنترل ILS
سربار سیستم
1560 وات
توان مورد نیاز برای عملیات ILS
افت نور درکشده
~200 لوکس
کاهش ناچیز برای کاربر
4. تنظیمات آزمایشی و نتایج
4.1 جمعآوری مجموعه داده با لوکسمترها
برای اعتبارسنجی سیستم، نویسندگان یک مجموعه داده جدید جمعآوری کردند که در آن شرکتکنندگان در محیطهای اداری دستگاههای لوکسمتر پوشیدند. این دستگاهها روشنایی واقعی (لوکس) در نگاه فرد را اندازهگیری کردند که به عنوان داده مرجع برای سطح نور «درکشده» عمل میکند.
4.2 عملکرد صرفهجویی در انرژی
در یک اتاق آزمایشی مجهز به ۸ چراغ LED، ILS صرفهجویی چشمگیری در انرژی نشان داد. مصرف انرژی روزانه از ۱۸۵۸۵ وات (چراغها همیشه روشن) به ۶۲۰۶ وات کاهش یافت، در حالی که خود سیستم برای عملیات (سنسورها، محاسبات) ۱۵۶۰ وات مصرف کرد. این نشاندهنده صرفهجویی خالص بیش از ۱۰۰۰۰ وات در روز است.
4.3 تحلیل سطح نور درکشده
نکته حائز اهمیت این است که این صرفهجویی قابل توجه انرژی تنها با کاهش جزئی در سطح نور درکشده — افت تقریبی ۲۰۰ لوکس — به دست آمد. نویسندگان استدلال میکنند که این افت زمانی که روشنایی پایه دفتر بالای ۱۲۰۰ لوکس است، ناچیز است، زیرا بر راحتی بصری یا عملکرد وظیفه تأثیر نمیگذارد.
5. بینشهای کلیدی و بحث
- انسانمحور در مقابل صرفاً حضور: ILS با در نظر گرفتن آنچه یک فرد میبیند، فراتر از سنسورهای ساده حضور حرکت میکند، نه فقط اینکه آیا حضور دارد یا خیر.
- مدیریت مصالحه: سیستم با موفقیت مصالحه بین صرفهجویی در انرژی و راحتی کاربر را مدیریت میکند، که یک چالش مرکزی در طراحی ساختمانهای هوشمند است.
- مقیاسپذیری برای دفاتر باز: مزیت در فضاهای بزرگ و باز که تقسیمبندی سنتی ناکارآمد است، تشدید میشود.
- اعتبارسنجی از طریق داده جدید: استفاده از لوکسمترهای پوشیدنی، معیاری قوی و کاربرمحور برای اعتبارسنجی فراهم میکند که اغلب در کارهای مشابه وجود ندارد.
6. جزئیات فنی و فرمولبندی ریاضی
روش رادیوزیته برای یک محیط پخش را میتوان با معادله اصلی حاکم بر تبادل نور بین تکههای سطح خلاصه کرد:
$$B_i = E_i + \rho_i \sum_{j=1}^{n} B_j F_{ji}$$
که در آن:
- $B_i$ رادیوزیته (کل نور خارجشده) تکه $i$ است.
- $E_i$ گسیلندگی (نور مستقیماً ساطعشده) تکه $i$ است (برای چراغها غیرصفر).
- $\rho_i$ بازتابندگی تکه $i$ است.
- $F_{ji}$ فاکتور فرم است، یک عبارت هندسی که نشاندهنده کسری از نور خارجشده از تکه $j$ است که به تکه $i$ میرسد. این از هندسه صحنه سهبعدی محاسبه میشود و کلیدی برای تعیین دید بین یک چراغ و نقطه دید کاربر است.
7. چارچوب تحلیل: بینش اصلی و نقد
بینش اصلی: نبوغ مقاله در بازتعریف مسئله کنترل روشنایی از «آیا اتاق اشغال شده است؟» به «چه نوری را فرد حاضر واقعاً درک میکند؟» نهفته است. این محور ادراکی، که با یک مدل کلاسیک رادیوزیته و حسگری مدرن RGBD تقویت شده است، صرفهجوییهایی را آزاد میکند که سنسورهای حضور ساده یا برنامههای زمانی ابتدایی قادر به دستیابی به آن نیستند. این یک کاربرد درخشان از بینایی کامپیوتر برای یک مسئله دنیای واقعی پیشپاافتاده اما پرهزینه است.
جریان منطقی: استدلال محکم است: ۱) روشنایی یک مصرفکننده عمده انرژی است. ۲) کنترلهای فعلی خام هستند. ۳) ادراک انسان معیار واقعی «نور کافی» است. ۴) ما میتوانیم ادراک را از طریق هندسه و نگاه مدل کنیم. ۵) بنابراین، میتوانیم چراغهای دیدهنشده را کمنور کنیم. دادههای آزمایشی درباره انرژی و افت لوکس، این حلقه را به خوبی میبندد.
نقاط قوت و ضعف: نقطه قوت انکارناپذیر است — کاهش ۶۶٪ انرژی روشنایی یک رقم آماده برای جلسات هیئت مدیره است. استفاده از یک مدل انتقال نور فیزیکی (رادیوزیته) اصولیتر از رویکرد جعبه سیاه یادگیری عمیق است و قابلیت تفسیر ارائه میدهد. با این حال، ضعفها در جزئیات نهفته است. سربار سیستم (۱۵۶۰ وات) به طور مشکوکی بالا است — تقریباً یک چهارم توان صرفهجویی شده. آیا این یک ویژگی نمونه اولیه است، یا یک هزینه اساسی؟ وابستگی به بازسازی سهبعدی دقیق و تخمین مواد در دفاتر پویا (با صندلیهای متحرک، پوسترها و غیره) یک پرچم قرمز مقیاسپذیری است. همانطور که کار بنیادی در مورد CycleGAN (Zhu و همکاران، ۲۰۱۷) نشان داد، ترجمه تصویر به تصویر جفتنشده میتواند تغییرات سبک را مدیریت کند، اما هندسه دقیق برای شبیهسازی نور، مسئلهای سختتر و ساختاریافتهتر است.
بینشهای عملی: برای مدیران ساختمان، نتایج پایلوت به اندازه کافی قانعکننده است که در یک منطقه کنترلشده آزمایش شود. برای پژوهشگران، گام بعدی روشن است: توان عملیاتی سیستم را به شدت کاهش دهید. حلکننده سنگین رادیوزیته را با یک مدل جایگزین آموختهشده و سبکوزن جایگزین کنید — مانند یک شبکه عصبی تخصصی و کارآمد که بر روی دادههای مصنوعی آموزش دیده است، مشابه روندهای موجود در میدانهای تابش عصبی (NeRF). با تولیدکنندگان چراغها همکاری کنید تا حداقل حسگری و محاسبات را مستقیماً درون چراغها تعبیه کنند و یک شبکه توری توزیعشده با سربار کم ایجاد کنند. آینده یک مغز مرکزی که جریانهای RGBD را تحلیل میکند نیست، بلکه گروهی از لامپهای هوشمند و ارتباطبرقرارکننده است.
8. کاربردهای آینده و جهتهای پژوهشی
- ادغام با اینترنت اشیاء و دوقلوهای دیجیتال: ILS میتواند جزء کلیدی دوقلوهای دیجیتال ساختمان باشد و کنترل ریزدانه و بلادرنگ مرتبط با دادههای BIM (مدلسازی اطلاعات ساختمان) را فراهم کند.
- محیطهای روشنایی شخصیسازیشده: گسترش سیستم برای در نظر گرفتن ترجیحات فردی کاربر یا نیازهای روشنایی ریتم شبانهروزی برای سلامت و رفاه.
- حسگری پیشرفته: فراتر رفتن از RGBD برای شامل کردن سنسورهای طیفی به منظور مدلسازی بهتر کیفیت نور و اثرات بازسازی رنگ بر ادراک.
- بهینهسازی یادگیری ماشین: جایگزینی یا تقویت حلکننده رادیوزیته با مدلهای یادگیری عمیق برای کنترل سریعتر و سازگار در محیطهای بسیار پویا.
- استانداردسازی و قابلیت همکاری: توسعه پروتکلهای باز برای سیستمهای مشابه ILS برای ارتباط با سیستمهای مدیریت ساختمان (BMS) و سایر دستگاههای هوشمند.
9. مراجع
- Tsesmelis, T., Hasan, I., Cristani, M., Del Bue, A., & Galasso, F. (2019). Human-centric light sensing and estimation from RGBD images: The invisible light switch. arXiv preprint arXiv:1901.10772.
- International Association of Lighting Designers (IALD). (n.d.). What is Lighting Design? Retrieved from IALD website.
- Kralikova, R., & Wessely, E. (2012). Energy efficiency in buildings. Applied Mechanics and Materials.
- Zhou, X., et al. (2018). A review on lighting energy consumption in commercial buildings. Energy and Buildings.
- Zhu, J., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE international conference on computer vision (pp. 2223-2232).
- Mildenhall, B., Srinivasan, P. P., Tancik, M., Barron, J. T., Ramamoorthi, R., & Ng, R. (2020). NeRF: Representing scenes as neural radiance fields for view synthesis. Communications of the ACM.