Passive and low-energy strategies to improve sleep thermal comfort and energy resilience during heat waves and cold snaps
Notice bibliographique
Résumé
Sleep is a pillar of human health and wellbeing. In high- and middle-income countries, there is a great reliance on heating, ventilation, and air conditioning systems (HVAC) to control the interior thermal environment in the bedroom. However, these systems are expensive to buy, maintain, and operate while being energy and environmentally intensive-problems that may increase due to climate change. Easily-accessible passive and low-energy strategies, such as fans and electrical heated blankets, address these challenges but their comparative effectiveness for providing comfort in sleep environments has not been studied. We used a thermal manikin to experimentally show that many passive and low-energy strategies are highly effective in supplementing or replacing HVAC systems during sleep. Using passive strategies in combination with low-energy strategies that elevate air movement like ceiling or pedestal fans enhances the cooling effect by three times compared to using fans alone. We extrapolated our experimental findings to estimate heating and cooling effects in two historical case studies: the 2015 Pakistan heat wave and the 2021 Texas power crisis. Passive and low-energy strategies reduced sleep-time heat or cold exposure by 69-91%. The low-energy strategies we tested require one to two orders of magnitude less energy than HVAC systems, and the passive strategies require no energy input. These strategies can also help reduce peak load surges and total energy demand in extreme temperature events. This reduces the need for utility load shedding, which can put individuals at risk of hazardous heat or cold exposure. Our results may serve as a starting point for evidence-based public health guidelines on how individuals can sleep better during heat waves and cold snaps without relying on HVAC.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 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 ».