High-Level Framework for GIS-Based Optimization of Building Photovoltaic Potential at Urban Scale Using BIM and LiDAR
Notice bibliographique
Résumé
According to the ascending worldwide energy consumption records and limitations of fossil energy sources, it is important to exploit more sustainable resources. Photovoltaic (PV) solar energy is one of the most promising renewable energy sources. Based on International Energy Agency (IEA) analysis, 20–25% of the world electricity supply will be PV-based by 2050. Generating electricity from PV panels installed on buildings’ surfaces provides safe and silent options for onsite distributed power generation, and reduces energy transmission losses. Regarding the high volume of buildings in the urban area, a primary step for implementing a PV system is assessing the solar radiation potential on the building’s surfaces and excluding the unfeasible surfaces for harvesting the solar power considering the shadow effects and obstructions. A detailed and updated geometry model of the building is another important requirement. Various studies investigated the usage of light detection and ranging (LiDAR) technology to evaluate solar potential on rooftops and facades. However, these studies did not fully capture small objects on rooftops, such as chimneys, dormers, and air conditioning systems. In addition, architectural details of building facades (e.g., windows and balconies) are mostly ignored. On the other hand, building information models (BIM) provide valuable data about the design of buildings. Combining the captured point cloud with BIM is a complementary approach to improve the building model. Considering the obtained information about the buildings, this study is going to develop the optimization module at two levels. First, optimizing PV panels’ location on buildings’ surfaces to maximize solar radiation, and then optimizing the size, number, and layout of the PV panels to maximize the panel capacity and to achieve the maximum energy generation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».