Supporting Decision Making for Building Decarbonization: Developing Surrogate Models for Multi-Criteria Building Retrofitting Analysis
Notice bibliographique
Résumé
Decarbonizing buildings is crucial in addressing pressing climate change issues. Buildings significantly contribute to global greenhouse gas emissions, and reducing their carbon footprint is essential to achieving sustainable and low-carbon cities. Retrofitting buildings to become more energy efficient constitutes a solution. However, building energy retrofits are complex processes that require a significant number of simulations to investigate the possible options, which limits comprehensive investigations that become infeasible to carry out. Surrogate models can be vital in addressing computational inefficiencies by emulating physics-based models and predicting building performance. However, there is a limited focus on investigating feature engineering and selection methods and their effect on the model’s performance and optimization. Feature selection methods are considered effective with interpretable models such as multi-variate linear regression (MVLR) and multiple adaptive regression splines (MARS) for achieving stable prediction stability. This study proposes a modelling framework to create, optimize, and improve the performance of surrogate predictive models for energy consumption, carbon emissions, and the associated cost of building energy retrofit processes. The investigated feature selection methods are wrapper and embedded methods such as backward-stepwise feature selection (BSFS), recursive feature elimination (RFE), and Elastic Net embedded regularization in order to provide insights into the model’s behavior and optimize the model’s performance. The most accurate surrogate models developed achieved a mean absolute percentage error (MAPE) of 0.2–1.8% compared to the used test data. In addition, when calculated for a million samples, all developed surrogate models reduced the computational time by one-thousand-fold compared to physics-based models. The study’s findings pave the way towards low-computational accurate models that can comprehensively predict building performance in near real-time, ultimately leading to identifying decarbonization measures at scale.
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 | 0,001 | 0,002 |
| 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 ».