MétaCan
Menu
Retour à la cohorte
Enregistrement W1842814087

사례 분석을 통한 해양심층수의 지역냉방시스템 적용 방안

2011· article· ko· W1842814087 sur OpenAlexaboutno aff
진수휘, JinYeong Bak, 김삼열

Notice bibliographique

Revue한국태양에너지학회 춘계학술발표회 논문집 · 2011
Typearticle
Langueko
DomaineEngineering
ThématiqueEngineering Applied Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCooling towerDeep ocean waterEnvironmental scienceHeat exchangerWater coolingEnergy consumptionWater savingEnvironmental engineeringDeep waterWater resource managementEngineeringMarine engineeringMechanical engineering
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The development of new energy has attracted consideration attention due to the high oil price and environmental problems. In advanced country, they have tried to carry out a long range plan for energy. We need to develop new energy for Low Carbon Green Growth in Korea. The building is 30% among ratio of energy consumption in Korea. And in the past, heating energy was high ratio for energy using at home. But recently, the demand for cooling energy keeps growing due to rising average temperature on the earth and improvement of life quality. In this situation, the energy of lake water and ocean water has studied to utilize in advanced country because of low temperature at underwater. But the study for deep water is still a lot left to do. In this study, we analyzed district cooling system and the present condition. Analyzing the deep lake water cooling system in Toronto, we found an application of district cooling system using deep ocean water. Deep lake water uses heat source for district cooling and water source for city in Toronto. So reducing the initial cost, this city had economic effect. When DLWC was applied at existing building, the heat exchanger was installed instead of cooling tower and refrigerator. And the heat exchanger used to connect main pipe with cool water on city. System using deep ocean water can be applied as a similar way to supply cool water from lake to building.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,495
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,010

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,032
Tête enseignante GPT0,227
Écart entre enseignants0,195 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue한국태양에너지학회 춘계학술발표회 논문집Même sujetEngineering Applied ResearchTravaux en français237 207