A framework for modeling, generating, simulating, and predicting carbon dioxide dispersion indoors using cell-DEVS and deep learning
Notice bibliographique
Résumé
Carbon dioxide concentration in enclosed spaces is an air quality indicator that affects occupants’ well-being. To maintain healthy carbon dioxide levels indoors, enclosed space settings must be adjusted to maximize air quality while minimizing energy consumption. Studying the effect of these settings on carbon dioxide concentration levels is not feasible through physical experimentation and data collection. This problem can be solved by using validated simulation models, generating indoor settings scenarios, simulating those scenarios, and studying results. In previous work, we presented a formal Cellular Discrete Event System Specifications simulation model for studying carbon dioxide dispersion in rooms with various settings. However, designers may need to predict the results of altering large combinations of settings on air quality. Generating and simulating multiple scenarios with different combinations of space settings to test their effect on indoor air quality is time-consuming. In this research, we solve the two problems of the lack of ground truth data and the inefficiency of producing and studying simulation results for many combinations of settings by proposing a novel framework. The framework utilizes a Cellular Discrete Event System Specifications model, simulates different scenarios of enclosed spaces with various settings, and collects simulation results to form a data set to train a deep neural network. Without needing to generate all possible scenarios, the trained deep neural network is used to predict unknown settings of the closed space when other settings are altered. The framework facilitates configuring enclosed spaces to enhance air quality. We illustrate the framework uses through a case study.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».