MétaCan
Menu
Retour à la cohorte
Enregistrement W3216730849

Use of Stored Snow for Summer Cooling Loads

2021· article· en· W3216730849 sur OpenAlexaffabout
Stuart J. Shelley

Notice bibliographique

RevueStudent Research Proceedings · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSmart Materials for Construction
Établissements canadiensMacEwan University
Organismes subventionnairesnon disponible
Mots-clésSnowEnvironmental scienceClimate changeGreenhouse gasFossil fuelMeteorologySnow removalElectricityGlobal warmingEngineeringWaste managementGeographyEcology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Climate change is one of the greatest challenges of the 21st century. One of its effects will be hotter summers and therefore an increased demand for indoor cooling systems. Unfortunately, these cooling systems can exacerbate climate change in two ways. The first is that these systems require a large amount of electricity to generate the cooling load; this electricity is currently made from fossil fuel burning power plants. The second, is they require potent greenhouse gases, in the form of refrigerants, to circulate within the system; these gases are often released into the atmosphere at the end of the system’s life. Alternative systems that are less energy intensive and make use of cleaner resources can help alleviate these issues. This research explores how stored snow can be used as a cooling source for buildings. A feasibility study was conducted for Edmonton to assess the viability of these snow cooling systems in Canada. Snowfall and weather statistics were gathered to find whether Edmonton has enough snow and the right weather conditions for the implementation of these cooling systems. One of the important findings was how previous research on the preservation of snow in alpine ski resorts could be applied to these systems, resulting in more efficient snow storage management. The implication from this research is that these cooling systems could reduce carbon emissions, and alleviate the challenges of climate change. Department: Engineering Faculty Mentor: Dr. Jeff Davis

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,154
Score d'incertitude au seuil0,568

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
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 Opus0,169
Tête enseignante GPT0,399
Écart entre enseignants0,231 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations0
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueStudent Research ProceedingsMême sujetSmart Materials for ConstructionTravaux en français237 207