Metodología computacional para la estimación de temperaturas medias radiantes en interiores ocupados
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13702Palabras clave:
Automatización de edificios, Modelado e identificación de sistemas ambientales, Integración multifuente de datos ambientales, Fusión de información y sensores, Percepción y sensorización.Resumen
El confort térmico es uno de los conceptos más importantes para garantizar la aceptación y el buen desarrollo de actividades por humanos en espacios de interior. El presente artículo trata el problema del cálculo automático de la temperatura radiante en un interior de un edificio como el factor más importante para determinar de forma empírica el confort térmico. La metodología presentada parte de la información proporcionada por un sistema de escaneado térmico omnidireccional, que es posteriormente procesada hasta obtener el deseado valor de la Temperatura Radiante Media (MRT). El artículo presenta la definición formal de MRT, las fases del procesamiento seguido y los resultados obtenidos en siete sesiones en las que se ha escaneado una sala ocupada por un número reducido de trabajadores. Los resultados indican que este método automático puede proporcionar ventajas en la rapidez, precisión e información de la escena frente a métodos manuales de cálculo.
Referencias
Adan A., López-Rey A., Ramon A. (2023). Robot for thermal monitoring of buildings. Automation in Construction 154, 105009. DOI: https://doi.org/10.1016/j.autcon.2023.105009
AENOR (2006). UNE-EN ISO 7730. Ergonomía del ambiente térmico. Determinación analítica e interpretación del bienestar térmico mediante el cálculo de los índices PMV y PPD y los criterios de bienestar térmico local (ISO 7730: 2005). Asociación Española de Normalización y Certificación (AENOR). MADRID (España).
Bigladder Software (s.f.). Occupant Thermal Comfort. Engineering Reference — EnergyPlus 9.3. Consultado el 20-6-2025 en https://bigladdersoftware.com/epx/docs/9-3/engineering-reference/occupant-thermal-comfort.html
Biswas, B. K., Ishii, K., Okamoto, K., Watanabe, Y., Li, J., Tan, Y., ... & Wakabayashi, H. (2025). Investigating real-time thermal sensation predictions using predicted mean vote and local skin temperature analysis via infrared thermography as a nonintrusive tool. Energy and Buildings, 338, 115763. DOI: https://doi.org/10.1016/j.enbuild.2025.115763.
Cengel, Y.A. & Ghajar, A.J. (2011). Transferencia de calor y masa. Fundamentos y aplicaciones. 4ª Ed. McGraw-Hill.
Chen, Y., He, Y., & Li, N. (2024). A novel model for calculating human-body angle factor in radiant heat transfer: Balancing computation accuracy and speed. Buildings, 14(2), 366. DOI: https://doi.org/10.3390/buildings14020366.
Chen, M., Risto, K., & Simo, K. (2025, June). Facial skin temperature as an indicator of thermal comfort in older adults: an infrared thermography study. In REHVA HVAC World Congress (pp. 841-850). Cham: Springer Nature Switzerland. DOI: https://doi.org/10.1007/978-3-032-06810-1_85.
Guo, H., Ferrara, M., Coleman, J., Loyola, M., & Meggers, F. (2020). Simulation and measurement of air temperatures and mean radiant temperatures in a radiantly heated indoor space. Energy, 193, 116369. DOI: https://doi.org/10.1016/j.energy.2019.116369.
Lee, C.M., Jin, S.P., Doh, E.J., Lee, D.H., & Chung, J.H. (2019) Regional Variation of Human Skin Surface Temperature. Annals of Dermatology;31(3):349–352. DOI: https://doi.org/10.5021/ad.2019.31.3.349.
Li, D., Menassa, C. C., & Kamat, V. R. (2018). Non-intrusive interpretation of human thermal comfort through analysis of facial infrared thermography. Energy and Buildings, 176, 246-261. DOI: https://doi.org/10.1016/j.enbuild.2018.07.025.
Li, Z., Zhang, Z., Xia, L., & Sun, J. (2023, December). Thermal comfort evaluation method using facial thermal imaging. In International Conference on Computer Science and its Applications and the International Conference on Ubiquitous Information Technologies and Applications (pp. 235-239). Singapore: Springer Nature Singapore. DOI: https://doi.org/10.1007/978-981-97-2447-5_36.
Pavlin, B., Pernigotto, G., Cappelletti, F., Bison, P., Vidoni, R., & Gasparella, A. (2017). Real-time monitoring of occupants’ thermal comfort through infrared imaging: A preliminary study. Buildings, 7(1), 10. DOI: https://doi.org/10.3390/buildings7010010.
Tian, M., Zhou, S., Xu, X., Li, R., Li, H. & Yuan, L. (2026). Non-invasive thermal sensation prediction using infrared thermography under fan-assisted air conditioning and natural ventilation. Building and Environment, 114599. DOI: https://doi.org/10.1016/j.buildenv.2026.114599.
Torr, P H. S. & Zisserman, A. (2019). MLESAC: A New Robust Estimator with Application to Estimating Image Geometry, Computer Vision and Image Understanding, vol. 78, no. 1, pp. 138–156. https://doi.org/10.1006/cviu.1999.0832.
Wang, Z., Matsuhashi, R., & Onodera, H. (2023). Intrusive and non-intrusive early warning systems for thermal discomfort by analysis of body surface temperature. Applied Energy, 329, 120283. https://doi.org/10.1016/j.apenergy.2022.120283.
Williams, A., Barrus, S., Morley, R. K., & Shirley, P. (2005). An efficient and robust ray-box intersection algorithm. Journal of Graphics Tools, 10(1), 49–54. DOI: https://doi.org/10.1145/1198555.1198748.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Antonio Adán, Santiago Salamanca, Víctor J. Pérez, Joaquin Fuentes-del-Burgo, Eduardo Adán
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
