MétaCan
Menu
Retour à la cohorte
Enregistrement W4205371229 · doi:10.3390/en15010369

Improving Energy Efficiency by Utilizing Wetted Cellulose Pads in Passive Cooling Systems

2022· article· en· W4205371229 sur OpenAlexaff
Ebrahim Morady, M. Soltani, Farshad Moradi Kashkooli, Masoud Ziabasharhagh, Armughan Al‐Haq, Jatin Nathwani

Notice bibliographique

RevueEnergies · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueBuilding Energy and Comfort Optimization
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésAirflowCelluloseMaterials scienceHumidityEnvironmental scienceAir velocityPorosityComposite materialMeteorologyMechanicsMechanical engineeringChemical engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

The effectiveness of using wetted cellulose pads on improving the performance of two conventional passive cooling systems has been evaluated. First, an experimental design was developed to determine the impact of using a wetted cellulose pad on the temperature and velocity of the airflow. A cellulose pad (7090 model) with a cross-sectional area of 0.5 × 0.5 m2 and three different thicknesses of 10, 15, and 30 cm were selected and tested. The results indicated that using wetted cellulose pads with thicknesses ranging from 10–30 cm decreased the outlet airflow temperature from 11.3 to 13.7 °C on average. For free airflow at velocity 3.5 m/s, the outlet airflow velocity from the wetted cellulose pad decreased to 0.9, 0.7 and 0.6 m/s, respectively, for cellulose pads with thicknesses of 10, 15, and 30 cm. By applying experimental results on a psychrometric chart, the humidity ratio of outlet airflow was obtained between 40–70%. The study established airflow velocity as the critical parameter in passive cooling systems. With the novel concept of combining wetted cellulose pads for passive cooling systems (i.e., wind catchers and induced ventilation), there is good potential to reduce the energy requirements for thermal comfort in buildings in regions with a hot and arid climate.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,708

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,004
Tête enseignante GPT0,169
Écart entre enseignants0,164 · 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'étudeSimulation ou modélisation
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

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetBuilding Energy and Comfort OptimizationTravaux en français237 207