Computational Fluid Dynamics in Building Design Practice
Notice bibliographique
Résumé
This paper provides a state-of-the-art of computational fluid dynamics (CFD) in the building industry. Two methods were used to find this new knowledge: a series of interviews with leading architecture, engineering, and software professionals; and a series of tests in which CFD software was evaluated using comparable criteria. The paper reports findings in technology, workflows, projects, current unmet needs, and future directions. In buildings, airflow is fundamental for heating and cooling, as well as occupant comfort and productivity. Despite its importance, the design of airflow systems is outside the realm of much of architectural design practice; but with advances in digital tools, it is now possible for architects to integrate air flow into their building design workflows (Peters and Peters 2018). As Chen (2009) states, “In order to regulate the indoor air parameters, it is essential to have suitable tools to predict ventilation performance in buildings.” By enabling scientific data to be conveyed in a visual process that provides useful analytical information to designers (Hartog and Koutamanis 2000), computer performance simulations have opened up new territories for design “by introducing environments in which we can manipulate and observe” (Kaijima et al. 2013). Beyond comfort and productivity, in recent months it has emerged that air flow may also be a matter of life and death. With the current global pandemic of SARS-CoV-2, it is indoor environments where infections most often happen (Qian et al. 2020). To design architecture in a post-COVID-19 environment will require an in-depth understanding of how air flows through space.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».