Bayesian Calibrating Educational Building Thermal Models to Hourly Indoor Air Temperature: Methodology and Case Study
Notice bibliographique
Résumé
Abstract With the increase in the frequency and duration of heatwaves and extreme temperatures, global warming becomes one of the most critical environmental issues. Heatwaves pose significant threats to human health, including related diseases and deaths, especially for vulnerable groups. Such as the one during the 2018 summer in Montreal, Canada, caused up to 53 deaths, with most lived in buildings without access to air-conditioning. Unlike building energy models that mainly focus on energy performance, building thermal models emphasizes indoor thermal performance without a mechanical system. It is required an understanding of the complex dynamic building thermal physics in which detailed building parameters need to be specified but challenging to be determined in real life. The uncertainty assessment of the parameters estimates can make the results more reliable. Therefore, in this paper, a Bayesian-based calibration procedure was presented and applied to an educational building. First, the building was modeled in EnergyPlus based on an in-site visit and related information collection. Second, a sensitivity analysis was performed to identify significant parameters affecting the errors between simulated and monitored indoor air temperatures. Then, a Meta-model was developed and used during the calibration process instead of the original EnergyPlus model to decrease the requirement of computing load and time. Subsequently, the Bayesian inference theory was employed to calibrate the model on hourly indoor air temperatures in summer. Finally, the model was validated. It is shown that the Bayesian calibration procedure not only can calibrate the model within the performance tolerance required by international building standards/codes but also predict future thermal performance with a confidence interval, which makes it more reliable.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».