Sviluppo di un modello per la misura soggettiva di comfort termico in ambiente indoor

Il lavoro descritto in questa tesi si inserisce nell’ambito dello studio del comfort termico soggettivo, con l’obiettivo di sviluppare modelli predittivi di comfort in grado di misurare e stimare la percezione individuale nei confronti dell’ambiente termico. In particolare, è stato approfondito l’utilizzo di algoritmi di Machine Learning (ML) per la previsione del Thermal Sensation Vote (TSV), valore che rappresenta la percezione soggettiva del comfort termico da parte degli occupanti. A tal fine, è stato progettato e condotto un protocollo sperimentale che ha previsto la misura di parametri ambientali (come temperatura, umidità, CO₂ e rumore), personali (età, genere, peso, altezza, attività sportiva) e fisiologici (frequenza cardiaca e temperatura cutanea) su un campione di soggetti esposti a differenti condizioni termiche. Ogni partecipante ha preso parte a tre diverse sessioni sperimentali, caratterizzate da condizioni ambientali in grado di generare differenti livelli di comfort e discomfort. L'analisi statistica preliminare, tramite stima dei coefficienti di Pearson, ha permesso di individuare le relazioni più significative tra le variabili misurate, guidando la successiva selezione dei predittori per i modelli ML. Sono stati quindi sviluppati e confrontati modelli basati su Regressione Lineare e Random Forest Regressor, utilizzando diverse combinazioni di parametri in input. I risultati evidenziano come l'approccio Random Forest offra le migliori prestazioni predittive, con un errore quadratico medio (MSE) di 0,27, ottenuto nel caso della combinazione di variabili personali e ambientali. L’analisi della Gini Importance ha consentito di quantificare il contributo relativo di ciascun predittore, evidenziando la forte influenza della temperatura e di alcune caratteristiche personali sulla percezione del comfort. Tuttavia, si è osservato che l’integrazione di parametri fisiologici, pur arricchendo teoricamente il dataset, non ha portato a miglioramenti significativi delle prestazioni predittive, sottolineando la necessità di ulteriori approfondimenti. Il lavoro conferma l'efficacia dei modelli ML nel trattare la complessità e le relazioni non lineari tra i dati, pur mettendo in luce le sfide ancora aperte, come la variabilità individuale e la necessità di dataset più estesi e rappresentativi.