Prediction of Electric Power Demand of HVACs for Operating Rooms in Case of Dynamic Set Points of Temperature: A Case Study
Notice bibliographique
Résumé
In healthcare settings, particularly in areas such as operating rooms and intensive care units, there is a need for a dynamically controlled temperature environment that can adapt to the changing needs of both patients and healthcare workers. This is due to the fact that the desired temperature can vary depending on the condition of the patient and the specific requirements of surgical and treatment procedures. To address this need, our objective is to develop a tool for predicting the electric power needed to maintain a desired temperature in these critical care areas. Previous research has employed artificial learning algorithms and mathematical equations to predict electric power for various types and sizes of buildings, with promising results. However, our study focuses specifically on critical care areas within hospitals and utilizes fluctuating temperature set-points to predict power demand using historical weather data and Building Management System (BMS) data. We employed both Multi-Layer Artificial Neural Network (ML-ANN) and Long short-term memory (LSTM) models for this purpose and found that ML-ANN outperformed LSTM. The results showed that the ML-ANN model performed better than the LSTM model, with a testing accuracy of 96% compared to 78% for the LSTM model. This indicates that the ML-ANN model was more accurate in predicting the power consumption for the desired temperature in the operating room.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».