Early-phase Control Strategy Development for Hybrid Ventilation Systems: A Monte Carlo Simulation Framework with Sensitivity Analysis
Translated title
Early-phase Control Strategy Development for Hybrid Ventilation Systems
Authors
Ahrendsen, Lasse Bækdal ; Askland, Sara Moukhaiber
Term
4. Term
Education
Publication year
2025
Submitted on
2025-01-08
Pages
58
Abstract
Hybrid ventilation—combining natural airflow (like open windows and stack effect) with mechanical fans—can cut energy use while keeping indoor air healthy and temperatures comfortable. Yet controlling these systems is difficult because many settings interact, and goals such as energy, air quality, and comfort often conflict. Simple heuristic methods like rule-based and fuzzy-logic control are easy to apply but adapt poorly because they rely on fixed rules. In contrast, optimal control needs large amounts of high-quality data and is often impractical early in design. To address this, the study introduces a method that uses Monte Carlo simulations together with sensitivity analysis. Here, Monte Carlo means trying many random combinations of control settings within realistic ranges to explore what might work. Sensitivity analysis then identifies which inputs have the biggest impact on outcomes. The method is demonstrated on a generalized Oslo office building with three room types and across different seasons. The workflow builds an initial building simulation, defines control variables, their ranges, and probability distributions, then runs Monte Carlo simulations. Sensitivity analysis highlights the most influential inputs, and multi-objective optimization balances several aims at once—energy use, indoor air quality, and thermal comfort—aligned with stakeholder preferences. A structured decision process is emulated through two stakeholder workshops: first to define inputs, later to interpret results. An interactive parallel coordinates plot is emphasized as a key tool for navigating and selecting promising control strategies. Findings show the method can guide the development of high-performing, context-specific control solutions for hybrid ventilation, offering a practical alternative to traditional approaches.
Hybrid ventilation – en kombination af naturlig (åbne vinduer, skorstenseffekt) og mekanisk ventilation (ventilatorer) – kan sænke energiforbruget og samtidig holde indeluften sund og temperaturen behagelig. Men at styre sådanne systemer er svært, fordi mange indstillinger påvirker hinanden, og fordi mål som energi, luftkvalitet og komfort ofte trækker i forskellige retninger. Enkle, heuristiske metoder som regelbaseret styring og fuzzy-logik er lette at bruge, men tilpasser sig dårligt, da de bygger på faste regler. Mere avanceret optimal styring kræver derimod store mængder pålidelige data og er ofte upraktisk tidligt i designprocessen. For at imødekomme disse udfordringer præsenterer studiet en metode baseret på Monte Carlo-simulationer kombineret med følsomhedsanalyse. Monte Carlo betyder her, at man afprøver mange tilfældige kombinationer af styringsindstillinger inden for realistiske grænser for at udforske mulige løsninger. Følsomhedsanalyse bruges derefter til at finde de input, der har størst indflydelse på resultaterne. Metoden anvendes på en generaliseret kontorbygning i Oslo med tre forskellige rumtyper og på tværs af årstider. Processen starter med at opbygge en simuleringsmodel af bygningen og dernæst at definere styringsvariable, deres intervaller og sandsynlighedsfordelinger. Efter Monte Carlo-kørslerne identificerer følsomhedsanalysen de vigtigste parametre, og multiobjektiv optimering afvejer flere mål samtidigt – energi, indeklima (luftkvalitet) og termisk komfort – i tråd med interessenters præferencer. En struktureret beslutningsproces efterlignes gennem to workshops med interessenter: først for at fastlægge input og senere for at fortolke resultaterne. Et interaktivt parallelkoordinatdiagram fremhæves som et centralt værktøj til at navigere i og udvælge lovende styringsstrategier. Resultaterne viser, at metoden kan lede udviklingen af ydeevne-stærke, kontekstspecifikke styringsløsninger for hybrid ventilation og giver et praktisk alternativ til traditionelle tilgange.
[This apstract has been rewritten with the help of AI based on the project's original abstract]
Keywords