Älykkäät kiinteistöt älykkäissä yhteisöissä -hankkeessa kehitetään älykkään sähkönkäytön ja talotekniikan osaamista kiinteistöistä korttelitasolle, hyödyntäen tekoälyä, digitalisaatiota ja yhteisöllistä oppimista. Hanke jatkaa vuosina 2020–2024 toteutetun Kiinteistötiedon ja IoT-ratkaisujen hallinta -hankkeen tuloksia, ja sen rahoittaa Sähkötekniikan ja energiatehokkuuden edistämiskeskus STEK ry.
Hankkeen kesto on 1.1.2025 - 31.12.2028.
Hankkeen tavoitteena on kehittää Myllypuron Smart Campuksesta monipuolinen TKI- ja oppimisympäristö sekä kehittää uusia ratkaisuja rakennusten käyttöliittymiin, energiatehokkuuteen ja datan hyödyntämiseen yhteistyössä yritysten ja tutkimusverkostojen kanssa. Sertifioitua kampusta kehitetään geneeriseksi rakennusdatan älyratkaisujen alustaksi, jota sovelletaan myös asumis-, hotelli- ja sairaalaympäristöihin.
Hankkeessa kehitetään tekoälypohjaisia sähkö- ja taloteknisiä ratkaisuja, digitaalisia kaksosia ja datan visualisointia. Tavoitteena on siirtää teknologiaa käytäntöön koulutuksen ja yhteistyön avulla. Rakennettu ympäristö toimii tutkimus- ja mallinnusalustana energiatehokkuuden ja kulutusjouston kehittämiseksi sekä sähköteknisten järjestelmien optimointiin ja ennakointiin.
Metropolian älykampusta kehitetään kohti Smart Building Certificate -platinatasoa, ja sen ympärille luodaan laaja kumppanuusverkosto kestävän kiinteistökehityksen ja yhteisöllisen innovoinnin tueksi.
Hankkeen tulokset näkyvät uusina oppimisratkaisuina kaikilla koulutusasteilla. Myllypuron kampus toimii kokeiluympäristönä, jossa opiskelijat, tutkijat ja yritykset kehittävät ratkaisuja aidoissa olosuhteissa. Tavoitteena on lisätä alan vetovoimaa, edistää jatkuvaa oppimista ja tuottaa sisältöjä täydennyskoulutukseen sekä perus- ja toisen asteen opetukseen.
Tutkimus alkaa kysymyksestä
Metropolian tutkijat seuraavat oman alansa kehitystä ja tunnistavat uusia tutkimustarpeita asiantuntemuksensa ja aiemman tutkimustiedon pohjalta. Tieteellisen tutkimuksen tavoitteena on tuottaa uutta tietoa tai ymmärrystä. Siksi tutkijoiden on tunnistettava, mitä aiheesta jo tiedetään ja mitä uutta oma tutkimus voi siihen tuoda. Tämän pohjalta määritellään tutkimuskysymykset ja valitaan sopivat menetelmät.
Tutkimustyö voi sisältää käytännön kokeita, mittauksia, uusien menetelmien kehittämistä tai aiemman tutkimustiedon analysointia. Esimerkiksi rakennusten ilmanvaihtoa tutkittaessa voidaan selvittää, miten energiankulutusta voitaisiin vähentää sisäilman laadusta tinkimättä. Tutkimukseen voi tällöin kuulua mittauksia, laskennallisia malleja ja erilaisten ohjausmenetelmien vertailua.
Menetelmät vaihtelevat tutkimuskysymysten mukaan, mutta kaikkia yhdistävät huolellinen suunnittelu ja tulosten arviointi.
Tulosten saaminen ei vielä tarkoita valmista tutkimusta
Kun mittaukset on tehty ja aineisto kerätty, alkaa tulosten analysointi. Tutkijoiden on selvitettävä, mitä aineisto kertoo, kuinka luotettavia havainnot ovat ja millaisia johtopäätöksiä niiden perusteella voidaan tehdä. Samalla on tunnistettava tutkimuksen rajoitukset. Esimerkiksi yhdessä testiympäristössä saadut tulokset eivät välttämättä päde sellaisenaan muualla.
Tutkimus ei kuitenkaan aina etene suoraviivaisesti. Tulokset voivat herättää uusia kysymyksiä, joiden vuoksi tutkijat joutuvat palaamaan aiempiin vaiheisiin, tarkentamaan menetelmiään tai tekemään lisäkokeita.
Tieteellisessä tutkimuksessa ei siis riitä, että saadaan kiinnostavia tuloksia. On myös pystyttävä osoittamaan, miten niihin on päädytty ja mihin johtopäätökset perustuvat.
Vertaisarviointi varmistaa tutkimuksen laatua
Kun tutkimustulokset on analysoitu, tutkijat kirjoittavat niistä tieteellisen artikkelin, joka lähetetään alan tiedelehteen arvioitavaksi. Vertaisarvioinnissa muut alan asiantuntijat tarkastelevat tutkimuksen menetelmiä, tuloksia ja johtopäätösten perusteltavuutta.
Arvioijat voivat pyytää tutkijoita täydentämään analyysejä, tarkentamaan perusteluja tai tekemään muita muutoksia käsikirjoitukseen. Arviointi- ja korjauskierroksia voi olla useita, ja prosessi saattaa kestää kuukausia tai pidempäänkin. Kaikkia artikkeleita ei myöskään hyväksytä julkaistaviksi, jolloin tutkijat voivat joutua muokkaamaan käsikirjoitusta merkittävästi tai tarjoamaan sitä toiseen tiedelehteen.
Vertaisarvioinnin tavoitteena on parantaa tutkimuksen laatua ja vahvistaa julkaistun tiedon luotettavuutta.
Julkaisu vie tutkimustietoa eteenpäin
Tieteellinen julkaisu tuo tutkimustulokset muiden tutkijoiden ja asiantuntijoiden saataville. Tuloksia voidaan hyödyntää uusissa tutkimuksissa ja käytännön ratkaisujen kehittämisessä.
Älykkäiden kiinteistöjen tutkimukset tuottavat tietoa esimerkiksi energiatehokkuuden, ilmanvaihdon ohjauksen ja koneoppimisen kehittämiseen. Samalla ne herättävät uusia kysymyksiä ja avaavat mahdollisuuksia jatkotutkimukselle.
Tieteellinen julkaisu onkin paitsi pitkäjänteisen työn tulos myös lähtökohta uuden tiedon rakentamiselle.
Xu,Y., Huotari, M., Karhula, N., Mikala, J., Ketomäki, J., Ihasalo, H. (2026) Investigating the impact of ventilation primary frequency control on indoor climate and cognitive performance in office settings. DOI: 10.1016/j.buildenv.2025.113730
Tuuli- ja aurinkovoiman lisääntyessä sähköntuotanto vaihtelee entistä enemmän sään mukaan. Siksi sähköverkko tarvitsee uusia tapoja tasapainottaa tuotantoa ja kulutusta nopeasti. Yksi yllättävä apuri voi löytyä toimistorakennusten ilmanvaihdosta.
Tutkimuksessa selvitettiin, mitä tapahtuu, jos toimiston ilmanvaihdon tehoa muutetaan hetkellisesti sähköverkon tarpeiden mukaan. Erityisesti tutkijoita kiinnosti, huomaavatko tilojen käyttäjät muutoksen sisäilmassa ja vaikuttaako se keskittymiseen tai ajattelukykyyn.
Kokeeseen osallistui 20 henkilöä. He työskentelivät sekä normaalilla, tasaisella ilmanvaihdolla että järjestelmällä, jossa ilmanvaihdon teho vaihteli sähköverkon taajuuden mukaan. Samalla seurattiin esimerkiksi lämpötilaa, kosteutta, hiilidioksidia ja ilman epäpuhtauksia sekä osallistujien suoriutumista erilaisista ajattelua vaativista tehtävistä.
Tulokset olivat lupaavia: ilmanvaihdon lyhytaikainen säätäminen ei heikentänyt sisäilman laatua merkittävästi eikä osallistujien kognitiivisessa suorituskyvyssä havaittu merkitsevää muutosta. Ilmanvaihto voisi siis tulevaisuudessa osallistua sähköverkon tasapainottamiseen niin, ettei rakennuksen käyttäjille aiheudu ainakaan lyhyellä aikavälillä selvää haittaa.
Tulokset ovat kuitenkin vasta ensimmäinen askel. Koe kesti vain tunnin, osallistujia oli 20 ja tutkimus tehtiin yhden huoneen testiympäristössä. Oikeissa toimistorakennuksissa ilmanvaihto palvelee useita tiloja ja olosuhteet vaihtelevat huomattavasti enemmän. Seuraavaksi tarvitaan pitkäkestoisia kokeita todellisissa rakennuksissa.
Mikala, J., Xu, Y., Huotari, M. (2026) Estimating occupant counts using deep neural networks and CO2 sensors in a mechanically ventilated environment. DOI: 10.1016/j.enbuild.2026.118015
Tyhjän tai lähes tyhjän toimiston ilmanvaihtaminen täydellä teholla kuluttaa turhaan energiaa. Entä jos rakennus osaisi itse arvioida, kuinka paljon ihmisiä tilassa on, ja säätää ilmanvaihdon sen mukaan?
Toisessa tutkimuksessa tähän kokeiltiin koneoppimista. Malli arvioi huoneessa olevien ihmisten määrää hiilidioksidipitoisuuden ja ilmanvaihdon ilmavirran perusteella. Ajatus on kiinnostava myös käytännön kannalta: erillisten kameroiden sijaan voitaisiin hyödyntää antureita, joita rakennuksissa saattaa jo olla.
Parhaimmillaan koneoppimismalli arvioi henkilömäärän oikein noin 79 prosentissa tapauksista. Kun ilmanvaihtoa alettiin samalla säätää arvioidun henkilömäärän perusteella, tarkkuus säilyi noin 75 prosentissa. Tämä on tärkeää, sillä ilmanvaihdon muuttaminen vaikuttaa myös hiilidioksidipitoisuuteen, jonka perusteella henkilömäärää yritetään päätellä.
Tavoitteena on, että ilmanvaihto voisi tulevaisuudessa mukautua nykyistä tarkemmin tilojen todelliseen käyttöön. Kun ihmisiä on vähän, ilmanvaihtoa voidaan vähentää, ja suuremmalla henkilömäärällä sitä voidaan lisätä. Näin rakennusten energiankulutusta voitaisiin pienentää samalla, kun riittävästä ilmanvaihdosta huolehditaan.
Matkaa käytännön sovelluksiin kuitenkin vielä on. Tutkimus tehtiin kontrolloidussa ympäristössä, kun taas oikeissa rakennuksissa ihmisten liikkuminen, tilojen ominaisuudet ja ilmanvaihtojärjestelmät ovat huomattavasti monimutkaisempia. Lisäksi yhdessä tilassa opetettu koneoppimismalli ei välttämättä toimi yhtä hyvin toisessa rakennuksessa. Seuraava olennainen kysymys onkin, kuinka luotettavasti menetelmä toimii oikeissa rakennuksissa – ja kuinka paljon energiaa sillä voidaan todella säästää.
A Systematic Review of Sensor-Based Machine Learning Methods for Building Occupancy Estimation
Yinda Xu, Julius Mikala, Prakhar Prakash, Matti Huotari, Jaakko Ketomäki, Heikki Ihasalo
IEEE Access (2026)
Rakennusten käyttäjämäärien luotettava arviointi auttaa parantamaan energiatehokkuutta, ohjaamaan ilmanvaihtoa ja hyödyntämään tiloja tehokkaammin. Erilaisten antureiden tuottamaa tietoa voidaan analysoida koneoppimisen avulla, jolloin rakennusten käyttöä voidaan arvioida ilman jatkuvaa manuaalista seurantaa.
Tutkimuksessa A Systematic Review of Sensor-Based Machine Learning Methods for Building Occupancy Estimation tarkasteltiin järjestelmällisesti 368 vuosina 2020–2025 julkaistua tieteellistä tutkimusta. Katsauksessa selvitettiin, millaisia antureita ja koneoppimismenetelmiä rakennusten käyttäjämäärien arviointiin käytetään ja miten menetelmien valinta riippuu mittaustiedosta ja arviointitehtävästä.
Tulokset osoittavat, että tutkimus on siirtymässä kohti yksityisyyttä paremmin suojaavia ja käyttäjille huomaamattomia mittausmenetelmiä. Erityisesti sisäympäristön olosuhteita mittaavat anturit, kuten hiilidioksidi-, lämpötila- ja kosteusanturit, ovat yleistyneet kameravalvontaan perustuvien menetelmien rinnalla.
Syväoppiminen oli yleisin menetelmäryhmä (42,1 % tutkimuksista), ja perinteisiä koneoppimismenetelmiä käytettiin 37,2 prosentissa tutkimuksista. Sopivin menetelmä riippuu kuitenkin käytettävistä antureista ja siitä, mitä rakennuksen käytöstä halutaan selvittää.
Katsaus paljasti myös merkittäviä puutteita tutkimusten toistettavuudessa: vain 27,4 % tutkimuksista käytti tai tarjosi julkisia aineistoja, ja vain 10,1 % ilmoitti ohjelmakoodinsa olevan saatavilla. Tulokset korostavat avoimien tutkimusaineistojen, yhteisten vertailumenetelmien ja tutkimusten toistettavuuden merkitystä alan kehitykselle.
Miten älykkäät teknologiat, data ja uudet ratkaisut muuttavat rakennettua ympäristöä? Entä miten tutkimustieto muuttuu käytännön ratkaisuiksi?
Metropolian asiantuntijat jakavat Metrospektiivi-verkkolehdessä tutkimus- ja kehittämistyön tuloksia, käytännön kokemuksia sekä näkökulmia teknologian mahdollisuuksiin ja sovelluksiin.
Tutustu tekniikan ja teknologian artikkeleihin Metrospektiivissä
Metropolian Smart Buildings in Smart Communites -tutkimusryhmä tutkii LVI-laboratorion avulla rakennusten energiatehokkuutta ja sisäilmastoa sekä käyttäjätyytyväisyyttä. Ryhmän tutkimuksia julkaistaan sekä tieteellisissä lehdissä että kansainvälisissä konferensseissa, ja se on viime vuosina laajentanut toimintaansa kohti älykkäitä ohjausjärjestelmiä, koneoppimista ja uusimpien teknologioiden sovelluksia rakennettuun ympäristöön
Xu, Y., Karhula, N., Mikala, J., Huotari, M. (2025). “Investigating the Impact of Ventilation Primary Frequency Control on Indoor Climate and Cognitive Performance in Office Settings.” Building and Environment (accepted).
Tutkimus osoitti, että ilmanvaihdon nopea jousto sähköverkon taajuusmuutosten mukaisesti – niin sanottu Primary Frequency Control (PFC) – voidaan toteuttaa ilman merkittäviä vaikutuksia sisäilmastoon tai ihmisten kognitiiviseen suorituskykyyn. Kokeet toteutettiin Metropolian kampuksen testitoimistossa, ja tulokset tukevat PFC:n integrointia rakennusten ilmanvaihtoon energiajärjestelmien vakauden parantamiseksi.
Huotari, M., Bresa, A., Prakash, P. (2025). “Personalized Online Models of Sleep Quality from Indoor Air and Wearable Sensors.” Manuscript in preparation.
Tämä tutkimus yhdistää sisäilman ja puettavan teknologian mittaamat tiedot yksilölliseen unilaatumallinnukseen. työhypoteesi on, että adaptiviset verkkopohjaiset mallit pystyivät ennustamaan subjektiivista unilaatua hyvällä tarkkuudella, kun niihin yhdistettiin hiilidioksidi-, melu- ja univaihemittauksia. Tulokset viittaavat siihen, että rakennusten sisäilman seuranta voidaan tulevaisuudessa liittää hyvinvointiteknologiaan.
Aaltonen, H., Metsoila, K., Huotari, M., Atmojo, U.D., Vyatkin, V. (2025). “Usage of Fan Coil Unit in Demand Side Management on a Cruise Ship.” Proceedings of MOSES2025, Genoa, Italy.
Tässä tutkimuksessa kehitettiin risteilyalusten hytistöjen ilmastointiyksiköihin (FCU) perustuva energiansäästöstrategia. Simulaatioiden perusteella vahvistettiin, että RL-pohjainen (Reinforcement Learning) ohjaus voi tunnistaa hyttien käyttöasteen ja säätää lämpötiloja energiatehokkaasti. Tulokset tukevat älykkään, miehistöstä riippumattoman energiahallinnan soveltamista laivoilla.
Mikala, J., Xu, Y., Huotari, M. (2025). “Occupancy Centric Demand Driven Ventilation with Deep Neural Network and Transfer Learning.” To be presented at SBE25 Tokyo.
Tämä konferenssiesitys täydentää edellistä tutkimusta osoittamalla, että siirto-oppiminen parantaa merkittävästi reaaliaikaista ilmanvaihdon ohjausta. Reaaliaikaisissa testeissä mallin avulla saavutettiin 0.75 tarkkuus ja ilmanlaatu säilyi hyvänä.
