Comparative Analysis of Prediction Accuracy from Daylighting Simulation Tools
Notice bibliographique
Résumé
In this article, a validation analysis of predictions from selected daylighting simulation capabilities is presented. The daylighting simulation tools considered in the study include EnergyPlus Detailed, EnergyPlus DELight, DAYSIM, and SPOT (Sensor Placement and Orientation Tool). The National Research Council of Canada provided detailed site and sensor data for an experiment recording daylight exposure throughout a side-lit private office space using various daylighting strategies. The site information provided included geometry of the space and daylighting test cases through detailed SketchUp models. Reflectivity and transmittance properties of experiment surfaces and windows were well documented to enable accurate replication in daylighting models. On-site weather data were also collected to allow the test environment to be repeated. Illuminance measurements at 5-min intervals at 12 sensor locations within the space allowed computer simulations to be thoroughly tested. The three daylighting test cases chosen for the validation study, no daylighting device, interior light shelf, and exterior horizontal blinds, were selected to test each software’s ability to model direct sunlight, interior obstructions, and exterior reflections. Through graphical observation and statistical measures DAYSIM was determined to be the most accurate overall. However, it is important for users to consider the intended application of the daylighting software selected. Depending on the daylighting conditions, facade construction, and sensor location, other software performed equally well. Each of the studied software also has other features such as photosensor modeling, integration with thermal simulations, and occupancy predictive models that must be weighted when selecting the appropriate daylighting software for your application.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».