MétaCan
Menu
Retour à la cohorte
Enregistrement W2019757165 · doi:10.4028/www.scientific.net/amm.52-54.1571

Improve the Control of Residential Heating Systems

2011· article· en· W2019757165 sur OpenAlexaff
S. Jassar, Zai Yi Liao

Notice bibliographique

RevueApplied Mechanics and Materials · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueBuilding Energy and Comfort Optimization
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésOverheating (electricity)Thermal comfortSet pointFuzzy control systemControl (management)Temperature controlHeating systemComputer scienceControl systemControl engineeringEngineeringFuzzy logicPoint (geometry)Efficient energy useAutomotive engineeringArtificial intelligenceMechanical engineeringMathematics

Résumé

récupéré en direct d'OpenAlex

A recurrent neuro-fuzzy based inferential sensor is applied to design an inferential control algorithm that can improve the operation of residential heating systems in which both energy efficiency and indoor environment quality are below expectation due to insufficient control. In current practice, the control of these heating systems is based on the measurement of air temperature at one point within the building. The inferential control strategy presented in this paper allows the control to be based on an estimate of the overall thermal performance, minimizing the chance of overheating (saving energy) and underheating (improving comfort) in the building. The performance of this control technology has been investigated through simulation study. The results show that the proposed control scheme can effectively maintain the temperature at set-point, and results in energy savings and improved thermal comfort.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,793
Score d'incertitude au seuil0,172

Scores Codex et Gemma par catégorie

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

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 Opus0,007
Tête enseignante GPT0,164
Écart entre enseignants0,157 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations2
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied Mechanics and MaterialsMême sujetBuilding Energy and Comfort OptimizationTravaux en français237 207