Solar infrared radiation towards building energy efficiency: measurement, data, and modeling
Notice bibliographique
Résumé
With the recent discoveries and engineering solutions emerging in nanomaterials and nanostructures, independent band modulation of solar radiation on building envelopes, including glazing systems, has become increasingly viable as a potential means of improving building energy savings and indoor visual comfort. However, when it comes to the prediction of these new materials’ potential energy performance in buildings, most studies utilize a simple solar irradiance (e.g., global horizontal solar irradiance, direct beam solar irradiance) or a rough estimation of solar infrared (e.g., 50% solar irradiance) as input, which may cause significant errors. Consequently, there is a pressing need for reliable performance estimations of the solar infrared control and response at the building’s scale. To assess this, we need a solar spectral irradiance model, or at least a wideband (visible or infrared) solar irradiance model, as input. To develop this new type of model, one needs to understand the modeling-related key elements, including available solar spectral irradiance datasets, data collection methods, and modeling techniques. As such, this paper reviews the current major measurement methods and tools used in collecting solar spectral irradiance data with a focus on the solar infrared region, identifies the available related resources and datasets that particularly encompass the solar spectral irradiance data with a sufficient wavelength range, and studies existing solar irradiation modeling techniques for building simulations. These investigations will then form the background and backbone for a study scheme of solar infrared radiation modeling and indicate future research paths and opportunities.
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 | 0,000 |
| 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) | 0,000 | 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 ».