MétaCan
Menu
Retour à la cohorte
Enregistrement W4298334694

Energy use of US residential refrigerators and freezers: function derivation based on household and climate characteristics

2013· article· en· W4298334694 sur OpenAlexfundno aff
Jeffery B. Greenblatt

Notice bibliographique

RevueeScholarship (California Digital Library) · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueRefrigeration and Air Conditioning Technologies
Établissements canadiensnon disponible
Organismes subventionnairesLawrence Berkeley National LaboratoryNational Institute on AgingBC HydroU.S. Department of Energy
Mots-clésEnergy (signal processing)Function (biology)Environmental scienceClimate changeEconomicsMathematicsStatisticsGeology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Field-metered energy use data for 1,467 refrigerators and 185 freezers from seven studies conducted between 1992 and 2010 were used to calculate usage adjustment factors (UAFs), defined as the ratio of measured to tested annual energy use.Multiple regressions of UAFs against several household and climate variables were then performed to obtain separate predictive functions for primary (mostused) refrigerators, secondary (second most-used) refrigerators, and freezers, and residual differences between observed and modeled UAFs were fit to log normal distributions.These UAF functions were used to project energy use in the more than 4,000 households in the 2005 Residential Energy Consumption Survey, a statistical representation of US homes.These energy use projections formed the basis of calculating lifecycle energy savings for more efficient refrigerators and freezers, as well as national energy and cost savings.Results were compared with previous published work by the Department of Energy, demonstrating how UAFs impact energy and cost savings.Such an approach could be further improved with additional data and adapted for other appliances in future analyses. Keywords Refrigerator •

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,047

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
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)0,0010,000

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 Opus0,013
Tête enseignante GPT0,170
Écart entre enseignants0,156 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship (California Digital Library)Même sujetRefrigeration and Air Conditioning TechnologiesTravaux en français237 207