Impact of Urban Microclimate on Air Conditioning Energy Consumption Using Different Convective Heat Transfer Coefficient Correlations Available in Building Energy Simulation Tools
Notice bibliographique
Résumé
Abstract Rapid urbanization resulted in the drastic expansion of the built infrastructure in urban areas. This eventually led to an increase in energy consumption in the residential and commercial sectors. An appropriate selection of the convective heat transfer coefficient correlation at the design stage is of vital importance as it directly affects the cooling load of the building and consequently buildings’ energy demand. In this context, the comparative analysis of existing convective heat transfer coefficient correlations (CHTCs) used in building simulation programs such as EnergyPlus, ESP-r, IES, IDA, and TAS, are assessed. These correlations are tested against the data of Liu et al.’s [1]. It is observed that some of CHTCs correlations show lower error and others exhibit a significant deviation. In the case of the CHTCs used EnergyPlus, it is observed that the TARP algorithm shows overall better prediction ability for windward, leeward, and roof surface. On the other hand, in the case of the ESP-r, different correlations show a good prediction ability for different surfaces. For windward surface: MoWiTT; for leeward surface: MoWiTT and McAdams; and for roof surface: Liu and Harris show closer prediction with an error of less than 30% among other correlations. The correlation used in IES, IDA, and TAS shows a large deviation for windward, leeward, and roof surfaces under considered input. Based on this analysis, it can be concluded that the choice of such CHTCs uses in the BES tool can lead to the significantly higher energy consumption of the building and hence need the expertise to make the appropriate selection.
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) | 0,003 | 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 ».