Healthy and Faulty Experimental Performance of a Typical HVAC System under Italian Climatic Conditions: Artificial Neural Network-Based Model and Fault Impact Assessment
Notice bibliographique
Résumé
The heating, ventilation, and air conditioning (HVAC) system serving the test room of the SENS i-Lab of the Department of Architecture and Industrial Design of the University of Campania Luigi Vanvitelli (Aversa, south of Italy) has been experimentally investigated through a series of tests performed during both summer and winter under both normal and faulty scenarios. In particular, five distinct typical faults have been artificially implemented in the HVAC system and analyzed during transient and steady-state operation. An optimal artificial neural network-based system model has been created in the MATLAB platform and verified by contrasting the experimental data with the predictions of twenty-two different neural network architectures. The selected artificial neural network architecture has been coupled with a dynamic simulation model developed by using the TRaNsient SYStems (TRNSYS) software platform with the main aims of (i) making available an experimental dataset characterized by labeled normal and faulty data covering a wide range of operating and climatic conditions; (ii) providing an accurate simulation tool able to generate operation data for assisting further research in fault detection and diagnosis of HVAC units; and (iii) evaluating the impact of selected faults on occupant indoor thermo-hygrometric comfort, temporal trends of key operating system parameters, and electric energy consumptions.
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 ».