Multiobjective Optimization Model for the Life Cycle Cost-Sustainability Trade-Off Problem of Building Upgrading Using a Generic Sustainability Assessment Tool
Notice bibliographique
Résumé
Because existing buildings occupy most of our built environment, there is an urgent need to upgrade them considering building sustainability criteria. Therefore, many optimization models were proposed to find the optimum upgrading solution that improves the building sustainability while minimizing its costs using traditional sustainability rating tools [e.g., Leadership in Energy and Environmental Design (LEED) (US), Building Research Establishment Environmental Assessment Methodology (BREEAM) (UK), and others]. The variations among these tools hinder their application outside their original countries, calling for global tools. Therefore, this study contributes to the knowledge by developing a novel multiobjective optimization model to solve the life cycle cost (LCC)-sustainability trade-off for building upgrading using a generic sustainability rating tool. This tool includes seven sustainability criteria and 29 subcriteria, resulting in 134 decision variables. The proposed model finds the near-optimum upgrading solutions that minimize their LCC while improving the building sustainability using the multiobjective artificial immune system algorithm. The model was applied to a real case study of a large building in Montreal, Canada. The obtained solutions covered almost all the ratings ranges from pass to outstanding and showed the trade-offs between the building sustainability and LCC. This research is a step toward adopting a global sustainability rating tool to find the optimum building upgrading solutions that can address the regional limitations of the traditional rating tools.
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 | 0,001 | 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 ».