Inverse surrogate modelling to determine thermal characteristics of buildings
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
Planning building energy retrofits effectively requires knowledge of the current state of the building envelope, which is often lacking in practice. This study examines the usage of an Inverse Surrogate Model (ISM) for the purposes of determining various building parameters, such as the wall insulation conductivity and infiltration flow rate, to assist in retrofit planning. A typical Surrogate Model (SM) is a machine learning model trained on detailed simulation inputs to predict outputs, so that it can be used as a fast but approximate substitute for the detailed model. An Inverse Surrogate Model (ISM) does the opposite by instead predicting which inputs were used in the detailed model (e.g. wall insulation thickness) to produce a specific set of outputs (e.g. a temperature time series). This study develops a convolutional neural network (CNN) to act as the ISM, as these have been shown to work well with time-domain problems.An EnergyPlus simulation model of an existing building was developed and various parameters were randomly varied to produce a training dataset consisting of parameter values and associated room temperature time series. The CNN was trained using this dataset to predict parameter values when given a time series as input. The ISM performance is assessed with a variety of common error metrics including the Coefficient of Determination (R2), Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE). Results indicated strong performance with the majority of parameters.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découle