MétaCan
Menu
Retour à la cohorte
Enregistrement W2982346696 · doi:10.1111/ina.12617

In‐situ effectiveness of residential HVAC filters

2019· article· en· W2982346696 sur OpenAlexafffundabout
Masih Alavy, Jeffrey A. Siegel

Notice bibliographique

RevueIndoor Air · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueBuilding Energy and Comfort Optimization
Établissements canadiensPublic Health OntarioUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAmerican Society of Heating, Refrigerating and Air-Conditioning Engineers
Mots-clésHVACEnvironmental scienceIn situArchitectural engineeringEngineeringWaste managementAir conditioningMeteorologyGeographyMechanical engineering

Résumé

récupéré en direct d'OpenAlex

In this study, we explore different filter and contextual characteristics that influence effectiveness of high-efficiency filters in 21 residences in Toronto, Canada. The in situ effectiveness was assessed with decay tests at the beginning and the end of filter life with four different filters (MERV 8-14 from ASHRAE Standard 52.2) installed in operational HVAC systems, compared with either the system off or with no filter installed. There was considerable difference between median PM2.5 effectiveness of the non-electret filters when compared to electret filters (16% vs. 36%) of the same nominal efficiency (MERV 8). However, median PM2.5 effectiveness of electret filters only slightly improved (between 5% and 9% absolute increase) as MERV increased from 8 to 14. There was more variation in filter effectiveness between the same filter in different homes than there was between different filters in the same home. Variations in filter performance arose because home-specific particle loss rates (eg, ventilation rate) vary greatly in different buildings. The higher the loss rates due to non-filter factors, the lower the effectiveness of a filter. Given the relatively large variation in effectiveness for a given filter over time and in different homes, increasing system runtime may be a productive way to improve filter performance in many homes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,248
Score d'incertitude au seuil0,493

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,003
Tête enseignante GPT0,193
Écart entre enseignants0,190 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations29
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueIndoor AirMême sujetBuilding Energy and Comfort OptimizationTravaux en français237 207