Indoor Environmental Quality Evaluation of Lecture Classrooms in an Institutional Building in a Cold Climate
Notice bibliographique
Résumé
In this paper, ventilation, indoor air quality (IAQ), thermal and acoustic conditions, and lighting were studied to evaluate the indoor environmental quality (IEQ) in an institutional building at the University of Alberta in Edmonton, Canada. This study examined IEQ parameters, including pressure, illuminance, acoustics, carbon dioxide (CO2) concentration, temperature, and humidity, with appropriate monitors allocated during a lecture (duration 50 min or 80 min) in four lecture classrooms repeatedly (N = 99) from October 2018 to March 2019 with the objectives of providing a comprehensive analysis of interactions between IEQ parameters. The classroom environments were maintained at 23 ± 1 °C and 33% ± 3% RH during two-season measurements. Indoor mean CO2 concentrations were 550–1055 ppm, and a mean sound level of 58 ± 3 dBA was observed. The air change rates were configured at 1.3–6.5 per hour based on continuous CO2 measurements and occupant loads in the lectures. A variance analysis indicated that the within-lecture classroom variations in most IEQ parameters exceeded between-lecture classrooms. A multilayer artificial neural network (ANN) model was developed on the basis of feedforward networks with a backpropagation algorithm. ANN results demonstrated the importance of the sequence of covariates on indoor conditions (temperature, RH, and CO2 level): Air change rate (ACR) > room operations (occupant number and light system) > outdoor conditions.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».