LLM WIKI
Van gebouwdata naar samenhangend inzicht voor mens en machine
Wat je binnenklimaat je werkelijk vertelt
Metingen zijn pas waardevol als je begrijpt wat ze samen betekenen. rmaanden.nl verbindt meetgegevens, gebouwomstandigheden en wetenschappelijke kennis tot inzicht waarmee infectierisico's beter kunnen worden beoordeeld en onderbouwde keuzes mogelijk worden.
Een CO₂-waarde vertelt niet op zichzelf wat er in een gebouw gebeurt. Die betekenis ontstaat in samenhang met ventilatie, temperatuur, luchtvochtigheid, seizoensinvloeden en wetenschappelijke kennis. Juist die context maakt zichtbaar welke omstandigheden en maatregelen ertoe doen.
Met modellen en prognoses onderzoeken we hoe het binnenklimaat zich kan ontwikkelen en wanneer aandacht of aanvullende maatregelen nodig kunnen zijn. Achter de login vind je een live praktijkcasus waarin meetgegevens, modellen en referentiekennis samen een transparant en toetsbaar beeld vormen, inclusief aannames en onzekerheden.
De centrale vraag is dus niet alleen:
“Is de luchtkwaliteit goed of slecht?”
maar:
“Wat gebeurt er met het binnenklimaat, waardoor gebeurt dat, en welke maatregelen kunnen we onderzoeken met onze eigen metingen?”
Van gebouwdata naar analyse
rmaanden.nl brengt het binnenklimaat in samenhang in beeld. Gegevens over het buitenklimaat, metingen in het gebouw en kennis over binnenklimaat worden met elkaar verbonden. Zo ontstaat inzicht in de huidige en verwachte toestand van een ruimte.
- 01 Buitenklimaat Omstandigheden
- Het weer levert gegevens over onder meer temperatuur en vochtigheid. Deze omstandigheden beïnvloeden de energiebehoefte en het binnenklimaat.
- 02 Binnenklimaat Gebouw
- De eigenschappen van de ruimte en de werking van ventilatie en klimaatregeling bepalen mede hoe het binnenklimaat zich ontwikkelt.
- 03 Metingen Waarnemingen
- Eigen meetgegevens, zoals temperatuur, relatieve luchtvochtigheid en CO₂, beschrijven wat er in de ruimte wordt waargenomen.
- 04 Toestand Samenhang
- Metingen worden geïnterpreteerd in samenhang met gebouwgegevens, omstandigheden en referentiewaarden. Zo krijgt een losse meetwaarde betekenis.
- 05 Prognose Verwachting
- Door metingen te combineren met verwachte weersomstandigheden en kennis van het HVAC systeem, kan het model mogelijke toekomstige toestanden in beeld brengen.
- 06 Maatregel Beslisondersteuning
- De verwachte toestand helpt bij het beoordelen van mogelijke maatregelen. Daarbij kunnen binnenklimaat, gezondheid en energiegebruik tegen elkaar worden afgewogen.
Het binnenklimaat begrijpen en voorspellen
Het weer bepaalt mede hoeveel energie nodig is om een gebouw comfortabel te houden. Voelbare warmte gaat over temperatuur. Latente warmte hangt samen met vocht en de energie die nodig is bij verdamping en vrijkomt bij condensatie.
Van Toestand 0 tot en met Toestand 5
Het model van rmaanden.nl brengt deze samenhang in beeld. De behoefte aan klimaatcompensatie neemt stapsgewijs toe: van passieve verwarming en natuurlijke ventilatie tot mechanische ventilatie met warmte- en vochtterugwinning, actieve bevochtiging en eventueel aanvullende luchtfiltratie. Zo wordt duidelijk wanneer meer energie en geavanceerdere HVAC-technologie nodig zijn.
Een voorspelling voor de komende week
Het model voorspelt voor verschillende mogelijke scenario's hoe het binnenklimaat zich de komende week kan ontwikkelen. Daarbij geeft het aan welke toestand de voorkeur heeft, rekening houdend met de verwachte weersomstandigheden en de viruscirculatie in de samenleving.
Breng je kennis tot leven
Met rmaanden.nl koppel je een doordacht binnenklimaatmodel direct aan de essentie van je eigen kennis en ervaring. Het gaat niet om het verzamelen van nog meer data of het klakkeloos overnemen van een antwoord. Het gaat om het ontdekken van de betekenis erachter: zichtbaar maken wat je ontdekt, hoe je het duidt en waarop jouw inzichten steunen .
Door gebouwdata, modellen en wetenschappelijke bronnen te verbinden, ontstaat een OKF Bundle met DESL: het fundament waarop rmaanden.nl draait. Deze aanpak sluit aan op de ontwikkeling van open kennisformaten, zoals OKF van Google Cloud. Mijn eigen bijdrage is de methodiek waarmee context, normen, relaties en afleidingen expliciet en controleerbaar worden gemaakt.
Achter de login ervaar je wat dit mogelijk maakt: analyseer data met diepgaand inzicht, doe gericht onderzoek en werk samen met een AI-assistent. Of vertrouw op je eigen expertise in de gebruiksvriendelijke interface.