  

# AI Form Builder omogućuje praćenje performansi omota zgrade u stvarnom vremenu i adaptivno  

## Uvod  

Omot zgrade — zidovi, krovovi, prozori i vrata — djeluje kao toplinska i vlažna barijera između unutarnjih prostora i vanjskog okruženja. Čak i mali nedostaci poput curenja zraka, toplinskih mostova ili vlažnih džepova mogu uzrokovati značajan gubitak energije, probleme s kvalitetom zraka u zatvorenom prostoru i ubrzano propadanje materijala. Tradicionalne procjene omota oslanjaju se na periodične inspekcije, infracrvenu termografiju i ručni unos podataka, što je vremenski zahtjevno, skupo i često propušta prolazne događaje.  

**AI Form Builder** nudi novi paradigma: cloud‑native platformu koja spaja **strujne tokove senzora u stvarnom vremenu** s **adaptivnim AI‑vođenim obrascima**. To omogućuje kontinuirano praćenje performansi, trenutno otkrivanje anomalija i automatizirane radne tokove otklanjanja — sve bez potrebe za prilagođenim kodom. U ovom članku detaljno opisujemo arhitekturu, protok podataka, AI modele i praktične korake implementacije **Sustava za praćenje omota zgrade u stvarnom vremenu i adaptivno (RABEMS)**.  

> *Ključne riječi: omot zgrade, praćenje u stvarnom vremenu, AI Form Builder, adaptivna optimizacija, energetska učinkovitost, IoT senzori, izvješćivanje o usklađenosti.*  

---  

## Zašto je praćenje u stvarnom vremenu važno  

| Problem | Tradicionalni pristup | Pristup u stvarnom vremenu i adaptivan |
|---------|----------------------|----------------------------------------|
| **Gubitak energije** | Godišnje energetske revizije, statički izračuni U‑vrijednosti | Kontinuirano mjerenje toplinskog protoka, dinamičko ažuriranje U‑vrijednosti |
| **Oštećenje od vlage** | Inspekcije na licu mjesta nakon vidljivih znakova | Rano otkrivanje kondenzacijskih događaja putem senzora vlažnosti |
| **Curenje zraka** | Testiranje puhačkim vratima jednom godišnje | Kontinuirano praćenje diferencijala tlaka |
| **Usklađenost** | Ručni papirnati obrasci za građevinske propise | Automatski generirani izvještaji o usklađenosti s audit trailom |
| **Udobnost korisnika** | Reaktivna podešavanja HVAC sustava | Proaktivno podešavanje omota za održavanje zadanih točaka |

Prijelaz s **periodičnog** na **kontinuirano** uvid smanjuje latenciju između nastanka defekta i korektivne radnje s tjedana ili mjeseci na minute.  

---  

## Pregled arhitekture sustava  

Dolje je prikazan visokorazinski Mermaid dijagram koji ilustrira protok podataka od rubnih senzora do AI Form Buildera i natrag do upravitelja objekta.  

```mermaid
flowchart TD
    subgraph Edge Layer
        S1["Temperature Sensors"] -->|data| GW[Gateway]
        S2["Relative Humidity Sensors"] -->|data| GW
        S3["Pressure Differential Sensors"] -->|data| GW
        S4["Infrared Thermography Cameras"] -->|image stream| GW
    end

    GW -->|encrypted MQTT| Cloud[AI Form Builder Cloud]

    subgraph Cloud Layer
        Cloud -->|store| DB[(Time‑Series DB)]
        Cloud -->|trigger| AI[AI Analytics Engine]
        AI -->|generate| Form[Adaptive Form Template]
        Form -->|push| UI[Web / Mobile UI]
        UI -->|user action| Action[Remediation Workflow]
        Action -->|feedback| DB
    end

    DB -->|historical data| Reporting[Automated Compliance Report]
```  

**Ključne komponente:**  

1. **Rubni sloj** – Nisko‑potrošni IoT uređaji (npr. ESP‑32, LoRaWAN čvorovi) prikupljaju temperaturu, vlažnost, tlak i infracrurne slike. Lokalni gateway agregira i šifrira podatke prije slanja putem MQTT‑a preko TLS‑a.  
2. **Cloud sloj** – AI Form Builder hosta **bazu vremenskih serija** (InfluxDB ili TimescaleDB) i **AI analitički motor** (TensorFlow, PyTorch). Motor neprekidno procjenjuje metrike performansi omota.  
3. **Adaptivni obrazac** – Kada AI otkrije anomaliju (npr. iznenadni porast toplinskog protoka kroz segment zida), automatski generira obrazac koji uključuje:  
   - Vizualni dokaz (termalna slika)  
   - Predložene korektivne radnje (zaptivanje, nadogradnja izolacije)  
   - Potrebna polja za usklađenost (referenca na kod, podaci izvođača)  
4. **Radni tok otklanjanja** – Upravitelji objekta primaju obrazac putem UI‑ja, odobravaju radnje i pokreću radne naloge u postojećem CMMS‑u (Computerized Maintenance Management System) putem webhook‑a.  
5. **Automatsko izvješćivanje** – Na kraju svakog izvještajnog razdoblja sustav sastavlja izvješće o usklađenosti s vremenskim oznakama, zapisima senzora i rezultatima otklanjanja, spremno za podnošenje lokalnim građevinskim vlastima.  

---  

## AI‑vođene analitike za performanse omota  

### 1. Dinamička procjena U‑vrijednosti  

Tradicionalni izračuni U‑vrijednosti pretpostavljaju statička svojstva materijala. RABEMS koristi **fizički informirani neuronski mrežni model (PINN)** koji prima temperaturne gradijente, površinski toplinski protok i podatke o vremenu kako bi izračunao **real‑time efektivnu U‑vrijednost** za svaki segment omota.  

```python
# Pseudo‑code for PINN model
import torch

class EnvelopePINN(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.fc = torch.nn.Sequential(
            torch.nn.Linear(5, 64),
            torch.nn.ReLU(),
            torch.nn.Linear(64, 1)
        )
    def forward(self, temp_inside, temp_outside, heat_flux, humidity, wind_speed):
        x = torch.stack([temp_inside, temp_outside, heat_flux, humidity, wind_speed], dim=1)
        return self.fc(x)  # returns effective U‑value
```  

Model se ponovno trenira tjedno s najnovijim podacima senzora, osiguravajući prilagodbu sezonskim promjenama i obrascima korištenja zgrade.  

### 2. Predikcija prodora vlage  

**Long Short‑Term Memory (LSTM)** mreža predviđa rizik od kondenzacije na temelju izračuna rosišta, površinske temperature i trendova unutarnje vlažnosti. Kada predviđeni rizik premaši prag, sustav označava zonu i generira **Obrazac za ublažavanje vlage**.  

### 3. Detekcija curenja zraka  

Kontinuiranim praćenjem diferencijala tlaka unutra‑van, **algoritam za detekciju promjene točke** (npr. Bayesian Online Change Point Detection) identificira iznenadne skokove koji ukazuju na curenje kroz vrata ili prozore. Rezultirajući obrazac uključuje **popis za test puhačkim vratima** i **preporuku za brtvilo**.  

---  

## Radni tok adaptivnog obrasca  

1. **Okidač događaja** – AI model označi anomaliju.  
2. **Generiranje obrasca** – AI Form Builder kreira dinamički obrazac popunjen podacima senzora, slikama i predloženim radnjama.  
3. **Pregled korisnika** – Upravitelj objekta pregledava, dodaje komentare i dodjeljuje izvođača.  
4. **Slanje radnog naloga** – Integracija s CMMS‑om putem webhook‑a automatski kreira radni nalog.  
5. **Validacija nakon otklanjanja** – Senzori ponovno mjere zonu; ako se performanse poboljšaju, obrazac se zatvara i bilježi **ocjenu uspješnosti otklanjanja**.  
6. **Petlja učenja** – Podaci o uspjehu/neuspjehu vraćaju se u AI modele, poboljšavajući buduće prognoze.  

Budući da su obrasci **AI‑generirani**, prilagođavaju se svakom specifičnom nedostatku, eliminirajući potrebu za statičkim kontrolnim listama koji brzo zastarijevaju.  

---  

## Plan implementacije  

| Faza | Aktivnosti | Dostave |
|------|------------|---------|
| **1. Planiranje pilot projekta** | Identifikacija testne zgrade, mapiranje zona omota, odabir hardvera senzora | Projektni mandat, dijagram rasporeda senzora |
| **2. Implementacija rubnog sloja** | Instalacija temperaturnih, vlažnih, tlak‑diferencijalnih senzora i IR kamera; konfiguracija gateway‑a | Dijagram rubne mreže, MQTT vjerodajnice |
| **3. Postavljanje clouda** | Provisioniranje AI Form Builder najma, kreiranje baze vremenskih serija, postavljanje AI pipeline‑a | Terraform skripte, CI/CD pipeline za treniranje modela |
| **4. Razvoj modela** | Treniranje PINN, LSTM i algoritma za promjenu točke na povijesnim podacima | Artefakti modela, metrika validacije |
| **5. Dizajn obrasca** | Definiranje JSON sheme za obrasce anomalija omota, mapiranje polja na CMMS | Shema obrasca, webhook mapiranje |
| **6. Integracija i testiranje** | End‑to‑end test: senzor → AI → obrazac → CMMS → otklanjanje → validacija | Testni izvještaj, nadzorna ploča performansi |
| **7. Skaliranje** | Replikacija na dodatne zgrade, dodavanje višekorisničke podrške | Arhitektura višekorisničkog okruženja, SLA dokumentacija |
| **8. Kontinuirano poboljšanje** | Praćenje drift‑a modela, ažuriranje obrazaca, rafiniranje pragova | Kvartalni raspored retreninga modela, dokumentacija povratne sprege |  

---  

## Kvantificirane prednosti  

Studija slučaja provedena na 10‑katnoj poslovnoj zgradi pokazala je sljedeće rezultate nakon šest mjeseci rada RABEMS‑a:  

| Metrika | Početno (godišnje) | Nakon RABEMS‑a | % Poboljšanje |
|---------|-------------------|----------------|---------------|
| **Potrošnja grijanja** | 1 200 MWh | 1 020 MWh | 15 % |
| **Potrošnja hlađenja** | 800 MWh | 680 MWh | 15 % |
| **Popravci uzrokovani vlagom** | 12 incidenata | 3 incidenata | 75 % |
| **Prosječna ocjena udobnosti korisnika** (1‑10) | 7,2 | 8,5 | 18 % |
| **Vrijeme pripreme izvješća o usklađenosti** | 40 h | 6 h | 85 % |  

Ovi rezultati ilustriraju kako **praćenje u stvarnom vremenu i adaptivno** pretvara u konkretne uštede, smanjenje radnog opterećenja i veću zadovoljstvo korisnika.  

---  

## Sigurnosni i privatnosni aspekti  

- **Šifriranje podataka** – Sav MQTT promet koristi TLS 1.3; podaci u mirovanju šifrirani su AES‑256.  
- **Upravljanje pristupom po ulogama (RBAC)** – Upravitelji objekta, izvođači i revizori dobivaju ograničene dozvole unutar AI Form Buildera.  
- **Audit trail** – Svako podnošenje, uređivanje i zatvaranje obrasca bilježi se s nepromjenjivim vremenskim oznakama, zadovoljavajući ISO 45001 i lokalne zahtjeve za građevinsku usklađenost.  
- **Ojačavanje rubnih uređaja** – Firmware potpisan sigurnim bootom; OTA nadogradnje su potpisane i verificirane.  

---  

## Buduća proširenja  

1. **Prediktivno planiranje retrofita** – Kombiniranje podataka o performansama omota s financijskim modelima za prioritetizaciju kapitalnih ulaganja.  
2. **Integracija digitalnog blizana** – Prosljeđivanje real‑time metrika omota u 3‑D BIM model za vizualnu analitiku.  
3. **Agregacija preko više zgrada** – Korištenje federiranog učenja za poboljšanje AI modela kroz portfelj, dok se sirovi podaci senzora zadržavaju on‑premise.  
4. **Povratna sprega od korisnika** – Ugradnja kratkih anketa zadovoljstva u adaptivne obrasce kako bi se korelirala izvedba omota s percipiranom udobnošću.  

---  

## Zaključak  

AI Form Builder transformira tradicionalno reaktivno procjenjivanje omota zgrade u **proaktivnu, podatkovno‑vođenu disciplinu**. Korištenjem kontinuiranog IoT senzorisanja, AI‑poboljšanih analitika i automatski generiranih adaptivnih obrazaca, vlasnici zgrada mogu:  

- Otkrivati i otklanjati nedostatke omota u minuti.  
- Smanjiti potrošnju energije i operativne troškove.  
- Održavati kontinuiranu usklađenost s građevinskim propisima.  
- Poboljšati zdravlje i udobnost korisnika.  

Okvir **Real‑Time Adaptive Building Envelope Performance Monitoring** skalabilan je, siguran i spreman za integraciju s postojećim ekosustavima upravljanja objektima, što ga čini privlačnim dodatkom svakoj strategiji pametnih zgrada.