MétaCan
Menu
Retour à la cohorte
Enregistrement W3156262733 · doi:10.1177/0958305x211008998

Exploring the untapped potential of solar photovoltaic energy at a smart campus: Shadow and cloud analyses

2021· article· en· W3156262733 sur OpenAlexaffabout
Zeineb Behi, Kelvin Tsun Wai Ng, Amy Richter, Nima Karimi, Abhijeet Ghosh, Lei Zhang

Notice bibliographique

RevueEnergy & Environment · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnergy and Environment Impacts
Établissements canadiensUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésPhotovoltaic systemEnvironmental scienceSolar energyIrradianceSolar irradianceShadow (psychology)Renewable energySolar powerMeteorologyEnvironmental engineeringEngineeringGeographyPower (physics)

Résumé

récupéré en direct d'OpenAlex

Solar energy is abundant, and technological advances have made solar energy systems more affordable than ever before. Using photovoltaic (PV) systems could significantly reduce our reliance on fossil fuels, and facilitate sustainable energy uses. Solar power utilities, such as self-compacting disposal bins could be used to enhance waste management processes. This is particularly important in Canada, where $3.3 billion was spent on waste management systems in 2016. In this study, solar irradiance and climatic conditions at eight locations on a University campus in Regina, Saskatchewan, are studied. Results suggest that solar utilities with automatically adjusting PV receivers could increase energy capture between 18.7 – 27.5%. Temporally, solar irradiance was similar in June and July, but lower in August. Statistical analysis found that some locations tended to be more susceptible to shadow effects. The results highlight the importance of spatial allocations of these small smart disposal bin systems. Regression analysis found that temperature was the most significant factor when relating climate to solar irradiance. The use of smart disposal bins fits well with the University’s 2020–2025 Strategic Plan of reduction in ecological footprint.

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 enseignants0,075
Score d'incertitude au seuil0,149

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
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,033
Tête enseignante GPT0,216
Écart entre enseignants0,184 · 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

Citations15
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy & EnvironmentMême sujetEnergy and Environment ImpactsTravaux en français237 207