Building Climate-based Daylighting Models Based On One-time Field Measurements
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Calibrated climate-based lighting simulation models of buildings perform an essential role in postoccupancy evaluations (POE), such as annual frequency assessments of daylighting quality and visual discomfort. However, the role of lighting analysis is temporally limited by instantaneous measurements or limited in scale by requiring constant monitoring of occupied spaces with expensive sensors. Building calibrated models is thus challenging due to limited information, short durations of access, the concurrent presence of electric lighting and daylighting, and transient usage of dynamic shades of occupied spaces. In this paper, the authors present a calibration process to build annual daylighting and electric lighting simulation models based on one-time field measurements, exemplified through a dataset of 540 individual office desks across 10 office spaces. The authors calibrated lighting models to be reliable enough for assessing the relationship of annualized climate-based daylighting metrics (CBDMs) to participants long-term perceptions of lighting quality. The proposed process to build calibrated climate-based models for POE’s based on one-time field measurements at each building is validated through comparing measured and simulated illuminance data at every work desk and results are sufficiently positive with logarithmic relative RMSE values of 4.3% and 6.8% and relative RMSE values of 25.8% and 45.5% for horizontal and vertical illuminances respectively. Vertical illuminance was found to vary more with measured data due to the uncertainty of monitor screen luminances. This paper demonstrates that measured data through onetime visits can be utilized to build reliable calibrated lighting simulation models to integrate long-term annual lighting results in post-occupancy evaluations.
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.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle