MétaCan
Menu
Retour à la cohorte
Enregistrement W3081115283 · doi:10.1080/23744731.2020.1806594

Estimating the impact of crops on peak loads of a Building-Integrated Agriculture space

2020· article· en· W3081115283 sur OpenAlexaff
Marie-Hélène Talbot, Danielle Monfet

Notice bibliographique

RevueScience and Technology for the Built Environment · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueGreenhouse Technology and Climate Control
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceHVACTRNSYSLeaf area indexCooling loadMicroclimateAgricultureMeteorologyAgricultural engineeringAgronomyThermalAir conditioningGeographyEngineering

Résumé

récupéré en direct d'OpenAlex

In a building-integrated agriculture (BIA) space, peak loads must be estimated to size HVAC equipment in order to maintain indoor air conditions that enhance crop growth. However, the estimation of the rates of heat gain/loss induced by the crops and their impact on heating and cooling loads have only been sparsely addressed. The present study proposes a workflow to estimate the impact of crops on a BIA space peak loads. The building, BIA space and crops – lettuces – are modeled in TRNSYS 18, while loads for design day conditions are assessed by completing a parametric study that varied the cultivated density (CD), the indoor air conditions (temperature and humidity) and the leaf area index (LAI) of the crops. Compared to the baseline peak loads, the estimated sensible heating and latent cooling peak loads of the BIA space at the highest CD for a LAI of 2.1 are 3.6 to 3.7 and 1.1 to 2.1 times higher, while being 13.3 to 14.0 and 6.0 to 9.9 times higher for a LAI of 10. The results show the importance of considering crops in estimating peak loads to size HVAC equipment and promote crop yield.

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 enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,014
Tête enseignante GPT0,230
Écart entre enseignants0,217 · 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

Citations24
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience and Technology for the Built EnvironmentMême sujetGreenhouse Technology and Climate ControlTravaux en français237 207