Prefazione: Il Comfort Termo-Igrometrico tra Scienza e Percezione

Il comfort termo-igrometrico è centrale per il benessere in ambienti confinati — abitazioni, uffici, scuole o spazi pubblici. La sensazione di “stare bene” non dipende solo dalla percezione soggettiva: può essere descritta, misurata e progettata attraverso parametri fisici come temperatura dell’aria, umidità relativa, velocità dell’aria e temperatura media radiante.

Secondo la UNI EN ISO 7730:2006, il benessere termico è la condizione mentale di soddisfazione rispetto al microclima. La norma distingue tre classi di comfort (A, B, C), ciascuna con limiti specifici per parametri numerici e condizioni locali. L’ASHRAE definisce il comfort come “quello stato della mente che esprime soddisfazione con l’ambiente circostante”, sottolineando l’importanza della risposta individuale agli stimoli ambientali.

Negli anni ’70, l’ingegnere danese P.O. Fanger riuscì a trasformare questa percezione soggettiva in un modello matematico rigoroso. Nacquero così due indici fondamentali per quantificare il comfort:

• PMV (Predicted Mean Vote): rappresenta la sensazione termica media di un gruppo di persone su una scala da -3 (molto freddo) a +3 (molto caldo), dove 0 indica il comfort ideale.
• PPD (Percentage of People Dissatisfied): stima la percentuale di persone insoddisfatte delle condizioni ambientali, calcolata a partire dal PMV secondo la formula definita nella norma.

Questa combinazione di percezione, misurazione e modellazione consente di progettare ambienti in cui il corpo “sente” il comfort, ma la scienza lo conferma con numeri.

Dentro l’equazione: i fattori in gioco

Il modello di Fanger parte da un principio fondamentale: il corpo umano, per trovarsi in comfort termico, deve essere in equilibrio tra il calore prodotto e quello dissipato. Questo equilibrio si esprime con l’equazione metabolica:

Dove:

• M (metabolismo): “energia prodotta dal corpo durante attività e funzioni vitali”
• W (lavoro esterno): “energia spesa per movimenti o sforzi fisici”
• C e R (convezione e irraggiamento): “calore ceduto all’ambiente attraverso aria e superfici circostanti”
• Eres ed Esk (respirazione e evaporazione cutanea): “perdite dovute al respiro e alla sudorazione”
• S (accumulo termico): “calore accumulato nel corpo, trascurabile in condizioni stazionarie”

Traduzione in sensazione termica: PMV

Per rendere quantitativo il bilancio termico del corpo, Fanger sviluppò il PMV (Predicted Mean Vote), un indice che indica il voto medio che un gruppo di persone darebbe al microclima, su una scala da –3 (molto freddo) a +3 (molto caldo), dove 0 corrisponde al comfort ideale.

Il PMV si calcola risolvendo numericamente l’equazione del bilancio termico, considerando due categorie di parametri:

Parametri personali:

• Met (attività metabolica): calore prodotto dal corpo in funzione dell’attività fisica;
• Clo (isolamento dell’abbigliamento): capacità dei vestiti di trattenere calore corporeo.

Parametri ambientali:

• Ta (temperatura dell’aria): calore percepito direttamente dall’ambiente;
• Tr (temperatura media radiante): calore percepito dalle superfici circostanti;
• Va (velocità dell’aria): effetto “vento” sulla pelle;
• RH (umidità relativa): influenza sulla sudorazione e sulla percezione di umidità.

La deviazione del PMV da 0 indica quanto il corpo si discosta dal comfort ideale. Il PPD, calcolato dal PMV, stima quante persone potrebbero risultare insoddisfatte: anche con PMV = 0, circa il 5% delle persone non sarà completamente soddisfatto, per variabilità fisiologica.

Dal PMV al PPD: quantificare l’insoddisfazione

Una volta calcolato il PMV, si può stimare la percentuale di persone insoddisfatte (PPD) con la seguente equazione empirica:

PPD = 100 − 95 × e^(−(0.3353 × PMV⁴ + 0.2179 × PMV²))

Anche in condizioni neutrali (PMV = 0), circa il 5% delle persone risulterà insoddisfatto, a causa della naturale variabilità fisiologica. Questo evidenzia un principio fondamentale: il comfort non è mai assoluto, ma una condizione mediata da parametri fisici e individuali.

Entrambi gli indici sono utilizzati per classificare gli ambienti secondo le categorie A, B, C della norma UNI EN ISO 7730, in funzione della destinazione d’uso e del livello di comfort richiesto.

Il modello adattivo

Oltre ai numeri, il corpo umano si adatta continuamente: il comfort non è solo fisico, ma anche psicologico, culturale e comportamentale. Il modello adattivo, consolidato nella ASHRAE 55:2020 e applicato soprattutto negli edifici naturalmente ventilati, evidenzia che la percezione del comfort varia in funzione di fattori climatici locali, abitudini culturali e strategie comportamentali.

Ricerche condotte in scuole e uffici in Asia ed Europa mostrano che studenti e lavoratori accettano condizioni termiche più variabili di quelle previste dal PMV tradizionale. Ciò conferma che l’adattamento psicologico e comportamentale è una variabile fondamentale, e che gli ambienti progettati secondo il modello adattivo possono permettere maggiore flessibilità senza compromettere la soddisfazione degli utenti.

Mini-esempio:

• Asia, scuole: studenti tollerano fino a 27–28 °C in estate senza disagio significativo.
• Europa, uffici: variazioni stagionali di ±2–3 °C rispetto alla temperatura ideale sono accettate.

Il modello adattivo non sostituisce il PMV in edifici climatizzati meccanicamente, ma integra la progettazione, soprattutto nei casi in cui il controllo passivo o naturale è predominante.

Verifica CAM e confronto con UNI EN 16798-1

Il punto 2.4.6 dei Criteri Ambientali Minimi (CAM), definiti dal D.M. 11 gennaio 2017, stabilisce i requisiti minimi per garantire il comfort termoigrometrico negli ambienti interni degli edifici pubblici oggetto di intervento. Tali requisiti si applicano nell’ambito della progettazione e verifica delle condizioni ambientali, con particolare attenzione agli spazi destinati alla permanenza prolungata delle persone.

La norma UNI EN 16798-1:2019 può essere utilizzata come riferimento integrativo per la definizione dei parametri ambientali (temperatura, umidità relativa, velocità dell’aria, ecc.) e per la classificazione delle condizioni interne. Tuttavia, ai fini della conformità CAM, il vincolo normativo resta ancorato alla UNI EN ISO 7730, che rappresenta il riferimento prestazionale obbligatorio.

Nello specifico il criterio impone che gli ambienti climatizzati e occupati in modo continuativo (es. uffici, aule, reparti) siano progettati e verificati in modo da garantire condizioni di benessere termo-igrometrico conformi alla categoria B della norma UNI EN ISO 7730:2006. Tale categoria implica:

• Indice PMV (Predicted Mean Vote) compreso tra –0,5 e +0,5;
• PPD (Predicted Percentage of Dissatisfied) inferiore o uguale al 10%.
• Verifica di discomfort locale come la presenza di:
  • Correnti d'aria
  • Differenza della temperatura dell'aria
  • Pavimenti caldi o freddi
  • Asimmetria radiante

Modalità di verifica ammesse dalla UNI EN ISO 7730

La norma consente due approcci complementari per la verifica del comfort termo-igrometrico:

1. Verifica in condizioni tipiche

È ammesso il calcolo degli indici PMV/PPD in condizioni ambientali statiche e rappresentative, utilizzando:

• Metodo tabellare per calcolo PMV e PPD (con valori standard di met e clo);
• Software conformi alla norma (es. ICARO, Mc4Suite, Edilclima);
• Fogli di calcolo dedicati

Questa modalità è adatta per ambienti con condizioni stabili e consente una verifica semplificata ma conforme, purché i parametri siano realistici e coerenti con la destinazione d’uso.

2. Verifica su base di lungo periodo

È possibile effettuare la verifica su profili orari o stagionali, calcolando gli indici PMV/PPD su una serie temporale rappresentativa. In questo caso, è necessario:

• Utilizzare dati ambientali orari (temperatura operante, umidità, ecc.);
• Calcolare PMV/PPD per ogni ora;
• Analizzare statisticamente i risultati (es. medie, percentili, ore fuori soglia etc..).

La norma consente approcci flessibili, sia in condizioni tipiche che su base di lungo periodo, purché i risultati dimostrino il rispetto continuativo dei limiti prestazionali. L’uso di strumenti conformi e la corretta documentazione nella relazione CAM sono essenziali per garantire la conformità normativa e il benessere degli occupanti.

Per facilitare le verifiche previsionali, mettiamo a disposizione un foglio di calcolo dedicato, conforme alla UNI EN ISO 7730.

👉 Per riceverlo, è sufficiente scrivere FANGER nel messaggio del modulo di contatto.

Analisi dello stato dell’arte

PMV/PPD: il modello di riferimento

Negli ultimi vent’anni, la ricerca sul comfort termo-igrometrico ha conosciuto un’evoluzione significativa. Per comprendere l’orientamento della letteratura, sono stati analizzati circa 100 articoli pubblicati tra il 2002 e il 2025, estratti dal database di articoli scientifici ScienceDirect con filtri su “Fanger”, “PMV” e “PPD”. Questa selezione ha permesso di individuare trend principali, applicazioni pratiche e innovazioni digitali.

Il modello PMV/PPD di Fanger, formalizzato nella UNI EN ISO 7730 e richiamato dall’ASHRAE 55, resta il riferimento principale, traducendo le sensazioni termiche soggettive in valori numerici e fornendo un linguaggio comune per progettisti e ingegneri.

Approcci adattivi e comfort reale

Per superare i limiti dei modelli tradizionali, sono stati sviluppati approcci adattivi che considerano la capacità delle persone di adattarsi alle condizioni ambientali. Studi condotti in scuole, uffici e spazi pubblici mostrano che gli occupanti tollerano temperature più variabili rispetto a quanto previsto dal PMV, confermando l’importanza di integrare fattori psicologici e comportamentali insieme ai parametri fisici.

L’evoluzione digitale e l’intelligenza artificiale

Negli ultimi cinque anni, l’innovazione digitale ha trasformato la disciplina. Le reti neurali artificiali (ANN) stimano il PMV partendo da dati climatici e fisiologici senza dover risolvere continuamente l’equazione di bilancio termico. Il reinforcement learning consente ai sistemi HVAC di ottimizzare il funzionamento in tempo reale, adattandosi alle condizioni ambientali e alle risposte degli occupanti.

Approcci ibridi AI-CFD, che combinano simulazioni numeriche e dati sperimentali, gestiscono il comfort in modo dinamico, considerando fluttuazioni rapide e diverse modalità di occupazione. Queste tecnologie permettono di migliorare predizione del comfort ed efficienza energetica, mantenendo al centro il benessere delle persone.

Studi sperimentali e applicazioni sul campo

Oltre ai modelli teorici, numerosi studi sperimentali confermano l’importanza di verifiche sul campo. Le tarature locali dei modelli PMV/PPD sono fondamentali per garantire comfort reale, soprattutto in ambienti con occupazione diversificata.

I contesti più analizzati includono uffici, scuole, ospedali e ambienti speciali come cucine industriali. La combinazione di misurazioni sul campo e simulazioni consente di affinare le previsioni e adattare gli impianti alle esigenze reali degli utenti.

Criticità e prospettive future

Nonostante i progressi, rimangono sfide aperte. Tra le principali criticità si segnalano: integrazione del comfort termico con altri indicatori di qualità ambientale interna (aria, illuminazione, acustica) e sviluppo di modelli dinamici capaci di gestire condizioni transitorie.

La creazione di dataset interoperabili secondo i principi FAIR può favorire ricerca collaborativa e strumenti più affidabili. Inoltre, la dimensione sociale ed etica rimane centrale: garantire comfort e accessibilità anche a gruppi vulnerabili e affrontare la povertà energetica è fondamentale.

Il futuro del comfort termo-igrometrico appare quindi sempre più digitale, integrato e orientato alla persona, combinando misurabilità scientifica e capacità di adattamento alle esigenze reali degli occupanti.

Conclusione

Dalla rigidità dei modelli normativi alla flessibilità offerta dall’intelligenza artificiale, il comfort termico ha smesso di essere un semplice parametro tecnico per diventare una variabile multidimensionale, capace di intrecciare salute, benessere, sostenibilità e innovazione digitale.

Il futuro della ricerca si orienta verso sistemi intelligenti, adattivi e personalizzati, in grado di garantire un comfort reale agli occupanti e di ottimizzare i consumi energetici in modo integrato.

Un principio oggi più attuale che mai, alla luce delle sfide climatiche ed energetiche globali e dell’urgenza di progettare ambienti efficienti, sicuri e realmente confortevoli per tutti.

Scritto da: Ing. Simone Blasi

Bibliografia

A seguire la bibliografia principale dello stato dell'arte suddivisa per area tematica:

• Opere Fondamentali e Standard
  • d'Ambrosio Alfano, F. R., Olesen, B. W., & Palella, B. I. (2017). Povl Ole Fanger's impact ten years later. Energy and Buildings, 152, 243-249. https://doi.org/10.1016/j.enbuild.2017.07.052
  • Fanger, P. O. (1970). Thermal comfort: Analysis and applications in environmental engineering. Danish Technical Press.
  • Fanger, P. O., & Toftum, J. (2002). Extension of the PMV model to non-air-conditioned buildings in warm climates. Energy and Buildings, 34(6), 533-536. https://doi.org/10.1016/S0378-7788(02)00003-8
• Standard Internazionali
  • ISO 7730:2005. (2005). Ergonomics of the thermal environment — Analytical determination and interpretation of thermal comfort using calculation of the PMV and PPD indices and local thermal comfort criteria. International Organization for Standardization.
  • ASHRAE Standard 55-2023. (2023). Thermal environmental conditions for human occupancy. American Society of Heating, Refrigerating and Air-Conditioning Engineers.
• Studi Critici sull'Accuratezza del PMV-PPD
  • Cheung, T., Schiavon, S., Parkinson, T., Li, P., & Brager, G. (2019). Analysis of the accuracy on PMV – PPD model using the ASHRAE Global Thermal Comfort Database II. Building and Environment, 153, 205-217. https://doi.org/10.1016/j.buildenv.2019.01.055
  • Du, H., Lian, Z., Lai, D., Duanmu, L., Zhai, Y., Cao, B., Zhang, Y., Zhou, X., Wang, Z., Zhang, X., & Hou, Z. (2022). Evaluation of the accuracy of PMV and its several revised models using the Chinese thermal comfort Database. Energy and Buildings, 271, 112334. https://doi.org/10.1016/j.enbuild.2022.112334
  • Tartarini, F., & Schiavon, S. (2025). Comparative analysis of PMV Models accuracy implemented in the ISO 7730:2005 and ASHRAE 55:2023. Building and Environment, 275, 112766. https://doi.org/10.1016/j.buildenv.2025.112766
• Adattamento e Differenze Culturali
  • Karyono, K., Abdullah, B. M., Cotgrave, A. J., & Bras, A. (2020). The adaptive thermal comfort review from the 1920s, the present, and the future. Developments in the Built Environment, 4, 100032. https://doi.org/10.1016/j.dibe.2020.100032
  • Maiti, R. (2013). Physiological and subjective thermal response from Indians. Building and Environment, 70, 306-317. https://doi.org/10.1016/j.buildenv.2013.08.029
  • Maiti, R. (2014). PMV model is insufficient to capture subjective thermal response from Indians. International Journal of Industrial Ergonomics, 44(3), 349-361. https://doi.org/10.1016/j.ergon.2014.01.005
• Comfort Termico in Popolazioni Speciali
  • Fabbri, K. (2013). Thermal comfort evaluation in kindergarten: PMV and PPD measurement through datalogger and questionnaire. Building and Environment, 68, 202-214. https://doi.org/10.1016/j.buildenv.2013.07.002
  • ter Mors, S., Hensen, J. L. M., Loomans, M. G. L. C., & Boerstra, A. C. (2011). Adaptive thermal comfort in primary school classrooms: Creating and validating PMV-based comfort charts. Building and Environment, 46(12), 2454-2461. https://doi.org/10.1016/j.buildenv.2011.05.025
  • Martinez-Molina, A., Boarin, P., Tort-Ausina, I., & Vivancos, J. L. (2017). Post-occupancy evaluation of a historic primary school in Spain: Comparing PMV, TSV and PD for teachers' and pupils' thermal comfort. Building and Environment, 117, 248-259. https://doi.org/10.1016/j.buildenv.2017.03.010
• Miglioramenti e Modelli Alternativi
  • Kim, C. H., Yeon, S. H., & Lee, K. H. (2025). Development of indoor/outdoor environment and dynamic clothing insulation-based thermal comfort prediction model using artificial neural network. Energy Reports, 13, 622-641. https://doi.org/10.1016/j.egyr.2024.12.030
  • Omidvar, A., & Kim, J. (2020). Modification of sweat evaporative heat loss in the PMV/PPD model to improve thermal comfort prediction in warm climates. Building and Environment, 176, 106868. https://doi.org/10.1016/j.buildenv.2020.106868
  • Razak, T. R., Jarimi, H., Ismail, M. H., Nadzir, M. S. M., Ahmad, E. Z., Rahman, N. M. A., Jamaludin, M. H., Su, Y., & Riffat, S. (2025). Data-driven thermal comfort modeling: Comparing AI-based predictions with PMV-PPD models. Energy and Buildings, 348, 116410. https://doi.org/10.1016/j.enbuild.2025.116410
• Incertezze e Metodologie di Misura
  • Broday, E. E., Ruivo, C. R., & da Silva, M. G. (2021). The use of Monte Carlo method to assess the uncertainty of thermal comfort indices PMV and PPD: Benefits of using a measuring set with an operative temperature probe. Journal of Building Engineering, 35, 101961. https://doi.org/10.1016/j.jobe.2020.101961
  • d'Ambrosio Alfano, F. R., Palella, B. I., & Riccio, G. (2011). The role of measurement accuracy on the thermal environment assessment by means of PMV index. Building and Environment, 46(7), 1361-1369. https://doi.org/10.1016/j.buildenv.2011.01.001
  • d'Ambrosio Alfano, F. R., Palella, B. I., & Riccio, G. (2016). Notes on the calculation of the PMV index by means of Apps. Energy Procedia, 101, 249-256. https://doi.org/10.1016/j.egypro.2016.11.032
• Comfort Dinamico e Transizioni Termiche
  • Vellei, M., & Le Dréau, J. (2019). A novel model for evaluating dynamic thermal comfort under demand response events. Building and Environment, 160, 106215. https://doi.org/10.1016/j.buildenv.2019.106215
  • Zhang, F., de Dear, R., & Candido, C. (2016). Thermal comfort during temperature cycles induced by direct load control strategies of peak electricity demand management. Building and Environment, 103, 9-20. https://doi.org/10.1016/j.buildenv.2016.03.020
• Applicazioni Specializzate
  • Zhang, S., He, W., Chen, D., Chu, J., & Fan, H. (2019). Thermal comfort analysis based on PMV/PPD in cabins of manned submersibles. Building and Environment, 148, 668-676. https://doi.org/10.1016/j.buildenv.2018.10.033
  • Jang, M. S., Koh, C. D., & Moon, I. S. (2007). Review of thermal comfort design based on PMV/PPD in cabins of Korean maritime patrol vessels. Building and Environment, 42(1), 55-61. https://doi.org/10.1016/j.buildenv.2005.07.025
• Valutazioni Comparative tra Metodi
  • Deuble, M. P., & de Dear, R. J. (2012). Mixed-mode buildings: A double standard in occupants' comfort expectations. Building and Environment, 54, 53-60. https://doi.org/10.1016/j.buildenv.2012.01.021
  • Lamberti, G., Leccese, F., Salvadori, G., Contrada, F., & Kindinis, A. (2023). Investigating the effects of climate on thermal adaptation: A comparative field study in naturally ventilated university classrooms. Energy and Buildings, 294, 113227. https://doi.org/10.1016/j.enbuild.2023.113227
• Machine Learning e AI per il Comfort
  • Rahmanparast, A., Milani, M., Camci, M., Karakoyun, Y., & Dalkilic, A. S. (2025). Parameter reduction for PMV prediction via data driven approaches using the ASHRAE global thermal comfort database II and Chinese dataset. Applied Thermal Engineering, 279(Part A), 127553. https://doi.org/10.1016/j.applthermaleng.2025.127553
  • Shi, Z., Zheng, R., Zhao, J., Shen, R., Gu, L., Liu, Y., Wu, J., & Wang, G. (2024). Towards various occupants with different thermal comfort requirements: A deep reinforcement learning approach combined with a dynamic PMV model for HVAC control in buildings. Energy Conversion and Management, 320, 118995. https://doi.org/10.1016/j.enconman.2024.118995