1. Resumen Ejecutivo
El presente proyecto de investigación aborda una problemática crítica en Lima Este: las deficiencias de confort térmico y calidad del aire interior (CAI) en viviendas de interés social autoconstruidas. El objetivo es evaluar el entorno bioclimático y la acumulación de CO2 y material particulado fino (PM2.5) en las viviendas del semillero durante el año 2026, y analizar su correlación estadística simple con la percepción de salud respiratoria y estrés de los habitantes.
Utilizando una red de Nodos de Internet de las Cosas "InkaMonitor" basados en microcontroladores ESP32 (con almacenamiento interno flash SPIFFS/LittleFS), se registrarán las variables termodinámicas locales en bruto. A través de hotspots celulares, los logs se subirán a Firebase de forma centralizada. Posteriormente, se compensará la data mediante calibración a posteriori (post-hoc) utilizando patrones de referencia. Las correlaciones de Spearman en SPSS servirán de base para sustentar el paper científico para el congreso CONASEIN 2026.
2. Problema y Objetivos
2.1 Formulación del Problema
La autoconstrucción sin diseño bioclimático genera viviendas frías, húmedas y poco ventiladas en las laderas de SJL. Esta precariedad provoca puentes térmicos y condensación perjudicial para la salud. Formulamos las siguientes preguntas:
- PG: ¿Cómo se comportan las variables de confort térmico y calidad del aire interior frente a los estándares de referencia y cuál es su relación con la autopercepción de salud de los ocupantes?
- PE1: ¿De qué manera el monitoreo mediante IoT influye en la determinación del disconfort térmico (desviaciones de temperatura)?
- PE2: ¿De qué manera el monitoreo mediante IoT influye en el tiempo de alerta por riesgo de condensación superficial (humedad crítica)?
- PE3: ¿De qué manera el monitoreo mediante IoT influye en la detección de niveles críticos de CO2 nocturno?
- PE4: ¿De qué manera el monitoreo mediante IoT influye en la determinación de la calidad del aire respecto al material particulado fino (PM2.5)?
2.2 Objetivos
- OG: Evaluar el confort higrotérmico y la calidad del aire interior mediante el sistema InkaMonitor en las viviendas del semillero, determinando su correlación simple con la autopercepción de salud de los ocupantes en un periodo acelerado de 2 meses.
- OE1: Establecer de qué manera el monitoreo mediante IoT influye en la determinación del disconfort térmico (desviaciones de temperatura).
- OE2: Demostrar de qué manera el monitoreo mediante IoT influye en el tiempo de alerta por riesgo de condensación superficial.
- OE3: Analizar de qué manera el monitoreo mediante IoT influye en la detección de niveles críticos de CO2 nocturno.
- OE4: Validar de qué manera el monitoreo mediante IoT influye en la determinación de la calidad del aire respecto al material particulado fino (PM2.5).
3. Operacionalización de Variables y Sustento Científico
Para garantizar la rigurosidad, cada indicador físico y tecnológico cuenta con dos referencias académicas que validan sus umbrales y metodología:
| Variable | Dimensión | Indicador (Umbral) | Referencias de Soporte |
|---|---|---|---|
| Independiente (X): Monitoreo mediante Internet de las Cosas |
Conectividad | Ind 1: Transmisión (≥ 95%) | Abbas (2019) Adil et al. (2020) |
| Ind 2: Latencia de logs (≤ 2 s) | Ezzat (2019) Kim & Park (2021) |
||
| Operatividad | Ind 3: Autonomía (≥ 48 h) | Ivanov (2019) Ramirez-Diaz (2022) |
|
| Ind 4: Estabilidad de sensado (≤ 3%) | Kamsu (2019) Sensirion AG (2021) |
||
| Dependiente (Y): Evaluación de confort térmico y calidad del aire |
Confort Térmico | Ind 5: Desviación térmica (> 3 °C) | ASHRAE 55 (2020) Dear & Brager (1998) |
| Ind 6: Humedad Crítica (≥ 70%) | Sánchez (2025) OMS (2009) |
||
| Calidad de Aire | Ind 7: CO2 Nocturno (> 1000 ppm) | ASHRAE 62.2 (2019) Satish et al. (2012) |
|
| Ind 8: Partículas PM2.5 (> 15 μg/m³) | OMS (2021) Pope et al. (2009) |
4. Metodología y Calibración A Posteriori
La fase de recolección en campo se ejecutará de forma directa instalando los dispositivos ESP32 en las viviendas. La calibración instrumental se realizará **a posteriori (Post-hoc Calibration)** para no demorar las actividades en campo.
Los ESP32 almacenarán las lecturas de los sensores (Senseair S8 para CO2, SPS30 para PM2.5 y SHT45 para temperatura/humedad) en su flash interna (SPIFFS/LittleFS). Los sensores serán distribuidos por la dirección e instalados directamente en los domicilios de las estudiantes el sábado.
Al finalizar el monitoreo, se co-ubicarán los sensores junto a medidores patrones calibrados durante 72 horas para calcular los desvíos aritméticos (Δ). En la fase final, Melissa aplicará estos factores de corrección en SPSS para obtener las series temporales finales calibradas.
Psicología Ambiental: Al retirar el sensor, Lucia aplicará la encuesta FPCSA (4 preguntas Likert) a los familiares para evaluar su percepción del confort térmico, estrés por humedad, asma infantil y calidad de vida. Se aplicará correlación de Spearman en SPSS para cruzar la física con el reporte subjetivo.
5. Referencias Bibliográficas (Formato APA)
- Abbas, F. (2019). A General Framework for Data Uncertainty and Quality in Environmental Sensing. *IFAC-PapersOnLine*, 52(13), 180-185.
- Adil, M., Song, H., & Khan, A. (2020). A Reliable Data Transmission Protocol for IoT-Based Environmental Monitoring. *IEEE Access*, 8, 12045-12053.
- ASHRAE. (2019). *Standard 62.2-2019: Ventilation and Acceptable Indoor Air Quality in Residential Buildings*. Atlanta: ASHRAE.
- ASHRAE. (2020). *Standard 55-2020: Thermal Environmental Conditions for Human Occupancy*. Atlanta: ASHRAE.
- Dear, R. J., & Brager, G. S. (1998). Developing an adaptive model of thermal comfort and preference. *ASHRAE Transactions*, 104(1), 145-167.
- Ezzat, M. (2019). A Multi-Objective Whale Swarm Algorithm for Energy Efficient IoT Architecture in Environmental Sensing. *IFAC-PapersOnLine*, 52(13), 445-450.
- Ivanov, D. (2019). Single-Item Lot Sizing Problem Under Renewable Energy Uncertainty for Autonomous Nodes in IoT. *IFAC-PapersOnLine*, 52(13), 102-107.
- Kamsu, F. (2019). Fractional-Hammerstein system identification based on two-stage optimization for thermodynamics in closed environments. *IFAC-PapersOnLine*, 52(13), 160-165.
- Kim, K., & Park, J. (2021). Latency Analysis of Low-Power Wide-Area Networks for Smart Environmental Applications. *Sensors*, 21(4), 1120.
- Pope, C. A., Ezzati, M., & Dockery, D. W. (2009). Fine-particulate air pollution and life expectancy in the United States. *New England Journal of Medicine*, 360(4), 376-386.
- Ramirez-Diaz, A. (2022). Power Management Optimization for Solar-Powered IoT Weather Stations. *Applied Energy*, 308, 118310.
- Satish, U., Mendell, M. J., Shekhar, K., Hotchi, T., Sullivan, D., Streufert, S., & Fisk, W. J. (2012). Is CO2 an indoor pollutant? Direct effects of low-to-moderate CO2 concentrations on human decision-making performance. *Environmental Health Perspectives*, 120(12), 1671-1677.
- Sensirion AG. (2021). Calibration-free long-term stability of humidity and temperature sensors. *Sensirion Whitepaper*, 12-17.
- Sánchez, D. (2025). *Modelamiento de Puentes Térmicos en Edificaciones de Interés Social en Lima Metropolitana*. Fondo Editorial FIGAE-UNFV, Lima, Perú.
- World Health Organization. (2009). *WHO Guidelines for Indoor Air Quality: Dampness and Mould*. Copenhagen: WHO Europe.
- World Health Organization. (2021). *WHO Global Air Quality Guidelines*. Geneva: WHO.