A Critical Perspective on Current Research Trends in Building Operation: Pressing Challenges and Promising Opportunities
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
Despite the development of increasingly efficient technologies and the ever-growing amount of available data from Building Automation Systems (BAS) and connected devices, buildings are still far from reaching their performance potential due to inadequate controls and suboptimal operation sequences. Advanced control methods such as model-based controls or model-based predictive controls (MPC) are widely acknowledged as effective solutions for improving building operation. Although they have been well-investigated in the past, their widespread adoption has yet to be reached. Based on our experience in this field, this paper aims to provide a broader perspective on research trends on advanced controls in the built environment to researchers and practitioners, as well as to newcomers in the field. Pressing challenges are explored, such as inefficient local controls (which must be addressed in priority) and data availability and quality (not as good as expected, despite the advent of the digital era). Other major hurdles that slow down the large-scale adoption of advanced controls include communication issues with BAS and lack of guidelines and standards tailored for controls. To encourage their uptake, cost-effective solutions and successful case studies are required, which need to be further supported by better training and engagement between the industry and research communities. This paper also discusses promising opportunities: while building modelling is already playing a critical role, data-driven methods and data analytics are becoming a popular option to improve buildings controls. High-performance local and supervisory controls have emerged as promising solutions. Energy flexibility appears instrumental in achieving decarbonization targets in the built environment.
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 | 0,001 | 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 découle