Eu tenho o sensor de dióxido de carbono MH-Z14 e o tenho usado para tentar detectar quando uma sala pode precisar de um pouco de ar fresco. Mas também notei que a leitura do sensor aumenta drasticamente quando um humano está presente em uma sala e, especialmente, se estiver próximo do próprio sensor.
Gostaria de saber se alguém tentou usar o valor atual de CO2 em uma sala para detectar um número aproximado de pessoas em uma sala e quão possível e preciso poderia ser?
O comentário de @ jsotola (algo como: "Parece que algo que o aprendizado de máquina poderia fazer") é provavelmente a resposta certa, mas vou expandir um pouco.
Vai depender de pelo menos os seguintes fatores:
Eu usei dados de um sensor de CO 2 para estimar aproximadamente a ocupação de uma sala no passado, não acabei seguindo a rota de aprendizado de máquina na época, mas usando coisas como a taxa de mudança de CO 2 para fornecer um indicador (quanto mais pessoas, mais rápido o valor sobe). Mas se eu estivesse fazendo isso de novo, provavelmente começaria a coletar dados para usar como material de treinamento.
Também pode valer a pena fundir os dados com outro sensor, por exemplo, um sensor de umidade relativa, pois também é provável que aumente ao mesmo tempo.
Parece que alguma pesquisa já foi feita sobre isso - Detecção por Proxy: Detecção de Ocupação com Base na Concentração de CO 2 em ambiente interno descreve um modelo desenvolvido na Universidade da Califórnia, Berkeley, para detectar ocupação com base na concentração de CO 2 .
Propomos um modelo de link que relaciona as medições de proxy com taxas de emissão humanas desconhecidas com base em um modelo orientado a dados que consiste em um sistema de Equação Diferencial Parcial (PDE) - Equação Diferencial Ordinária (ODE) acoplada.
O modelo deles é aparentemente mais preciso do que outros modelos de aprendizado de máquina que eles testaram:
A inferência do número de ocupantes na sala, com base em medições de CO2 nas saídas de ar e retorno de ar, através da detecção por proxy, supera uma variedade de algoritmos de aprendizado de máquina e atinge um erro quadrático médio geral de 0,6569 (pessoa fracionada), enquanto o A melhor alternativa pela rede Bayes é 1,2061 (pessoa fracionária).
O algoritmo 1 (p. 3) do artigo pode dar alguma orientação sobre como implementar um sistema semelhante ao deles, o que parece surpreendentemente confiável, dada a natureza simplista do sensor de CO 2 .