MétaCan
Menu
Retour à la cohorte
Enregistrement W3033434387 · doi:10.7836/kses.2020.40.2.001

Pre-Analysis Study on Ground Source Heat Pump System in Building with RETScreen

2020· article· en· W3033434387 sur OpenAlexaboutno aff
Yu Jin Kim, Kwang-Seob Lee, Euy-Joon Lee, Eun-Chul Kang

Notice bibliographique

RevueJournal of the Korean Solar Energy Society · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueIntegrated Energy Systems Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHeat pumpRenewable energyEnergy consumptionEnvironmental scienceZero-energy buildingGreenhouse gasEngineeringCivil engineeringEnvironmental engineeringArchitectural engineeringWaste managementMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Korea government published renewable energy obligation policy that public building must be supplied some part of total consumption energy (2019: 27%, 2020: 30%). RETScreen is freely available global energy tool that developed by Canadian National Energy Laboratory to quantify energy saving to compare conventional system. This program can be performed energy modeling, cost analysis, greenhouse gas emission analysis and financial analysis. In this study, GSHP (Ground source heat pump) heating and cooling system were studied for the energy deliverly and ROI (Return On Investment) in an office building. Three cases were studied according to the number of HP (Heat pump) units for the 1,000 m2 office building located in Daejeon. Results indicated that the energy delivery of the case 1 (1 HP unit) covered 57% of the office building heating and cooling energy consumption. The case 2 (2 HP units) covered 87.8% and the case 3 (3 HP units) covered 96.8% of the office building energy consumption. The ROI of the case 1 indicated 7.9 years. While 8.2 years for the case 2 and 9.7 years for the case 3.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,008
Tête enseignante GPT0,196
Écart entre enseignants0,188 · 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'étudeSimulation ou modélisation
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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Korean Solar Energy SocietyMême sujetIntegrated Energy Systems OptimizationTravaux en français237 207