Rapid Workflow for Energy Model Calibration, Retrofit Optimization, and Uncertainty Analysis of Large Building Energy Retrofits
Notice bibliographique
Résumé
The building sector has been targeted to have net zero emissions by 2050.Considering the low rate of new construction and degradation of the building's materials properties over time, the retrofit of existing buildings can play a crucial role in achieving these goals.Moreover, determining a cost-effective strategy for reducing GHG emissions is necessary.Due to budget and time limitations, determining the optimal retrofit and operating strategy to minimize GHG emissions, energy usage, and the life-cycle cost is vital for building decarbonizing.This research aims to develop a rapid framework for creating a retrofit roadmap using multi-objective optimization of building energy retrofits.The proposed thesis is divided into four main parts to achieve these objectives.First, an optimization algorithm calibrates the energy model using various measured data resolutions.The metered data of a large office building in Ottawa, Canada, are used as a case study.The second part develops a rapid framework for multi-objective optimization of building retrofit considering life cycle cost and GHG emissions.The proposed workflow is applied to an office building's retrofit analysis in Ottawa, Canada.Then, a methodology is developed to create a roadmap for building energy retrofitting based on the uncertainty analysis results.In this step, the uncertainty of the optimal strategy due to the fluctuation of some economic rates is evaluated using the Monte Carlo simulation.Finally, a hybrid model is proposed for retrofit optimization.This approach integrates physical modelling (EnergyPlus) with advanced data-driven approaches (machine learning) to optimize retrofit strategies.Utilizing machine learning techniques, particularly the Random Forest model, significantly improves accurate predictions and efficient retrofit optimization.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».