Indoor airflows and risk of airborne contagion of diseases : Using CHAMÁN for assessing modelling strategies.

Abstract

The study of Indoor Air Quality (IAQ) has been shown time and again to be of the utmost importance for engineering safe and comfortable indoor spaces. Among many aspects, it comprises the risk assessment for airborne transmission of infectious diseases. Novel risk assessment methodologies have been recently proposed on the basis of Computational Fluid Dynamics (CFD) simulations for predicting pathogen dispersion. Their use is incipient and computationally expensive, and it is unclear if the benefits they provide outweigh the modelling cost when compared to classical analytic approaches. In this thesis, two models for estimating the risk of long-distance airborne transmission of diseases are compared. On the one hand, a CFD-based approach has been implemented by combining high-resolution Large Eddy Simulations (LES) with Wells’ contagion hypothesis. On the other hand, the classical Wells-Riley approach is considered, which relies on the perfect mix hypothesis. Both models are applied to several natural ventilation scenarios in school classrooms. The implemented CFD-based model uses simulations performed with CHAMÁN, an in-house LES solver with a hybrid computation approach. By leveraging the computational power of Graphic Porcessing Units (GPUs), it allows to conduct LES simulations with unprecedented high resolutions and domain sizes in the context of IAQ. For this thesis, CHAMÁN’s capabilities are extended and the solver is validated for indoor airflows by means of a reference experimental case. Results show that classical models attain a satisfactory average risk prediction when compared to the CFD-based approach, which are robust in terms of boundary conditions sensitivity. Nonetheless, the spatial distribution of the pathogen predicted by the CFD simulations depicts evident inhomogeneities, which foretell local risk minima and maxima that are unrecognised by classical models.

En reiteradas ocasiones se ha mostrado la importancia del estudio de la Calidad de Aire Interior (IAQ, Indoor Air Quality) para diseñar y operar espacios seguros y confortables. Esto incluye, entre otros aspectos, la evaluación del riesgo de contagio de enfermedades infecciosas. Para ello, recientemente se han propuesto nuevas metodologías que utilizan técnicas de Mecánica de los Fluidos Computacional (CFD, Computational Fluid Dynamics) para la predicción de la dispersión de patógenos. Su uso es incipiente y su ejecución presenta un alto costo computacional, por lo que no es claro si sus potenciales beneficios sobrepasan el costo de modelado y ejecución cuando se las compara con las metodologías analíticas clásicas. En esta tesis se comparan dos modelos de riesgo para la transmisión de enfermedades infecciosas por vía aérea de larga distancia. Por un lado, se implementa un modelo basado en CFD mediante Simulaciones de Grandes Vórtices (LES, Large Eddy Simulation) de alta resolución. Por otra parte, se considera el modelo de Wells-Riley, basado en la hipótesis de mezcla perfecta. Ambos son aplicados a escenarios de ventilación natural en salones de escuela. El modelo CFD utiliza CHAMÁN, un código LES de desarrollo nacional con capacidad de cómputo híbrido. El uso de Unidades de Procesamiento Gráfico (GPUs, Graphic Processing Units) permite llevar a cabo simulaciones con resoluciones y tamaños de dominio sin precedentes en el contexto de la IAQ. Asimismo, esta tesis extiende las capacidades de CHAMÁN y lo valida utilizando un caso experimental de referencia para flujos interiores. Los resultados obtenidos muestran que el modelo de mezcla perfecta arroja estimaciones satisfactorias de riesgo medio cuando se lo compara con el modelo CFD. Asimismo, esta observación es robusta en términos de la sensibilidad a las condiciones de borde utilizadas. Sin embargo, la distribución espacial de patógeno predicha por las simulaciones CFD evidencia inhomogeneidades importantes, con mínimos y máximos locales de riesgo que no son reconocidos por el modelo de mezcla perfecta.