Geometric data in urban building energy modeling: Current practices and the case for automation
Notice bibliographique
Résumé
Urban building energy modeling (UBEM) is crucial for addressing energy consumption challenges in urban environments. This study investigates the significant role of geometric data in UBEM, focusing on its impact on accurately capturing urban morphology for realistic simulations and analyses. By reviewing and comparing various bottom-up modeling approaches—white-box, grey-box, and black-box models, this research highlights the methodologies, techniques, and advancements in geometric data collection. A framework is proposed to guide urban planners, architects, engineers, and policymakers in selecting appropriate geometric data collection strategies tailored to specific modeling needs, considering factors such as geometric features, data accuracy, resolution, scalability, and cost. Additionally, the study explores data preprocessing techniques, including noise reduction, feature extraction, and data integration, to improve the quality and usability of geometric data for energy modeling. Recent advancements, such as the integration of computer vision techniques and machine learning for automated building feature extraction and classification, are also examined. The findings provide practical guidance for enhancing the effectiveness and efficiency of UBEM, contributing to more sustainable urban energy management and better-informed decision-making in urban planning and policy development. This research offers a novel perspective by synthesizing current practices and proposing a comprehensive framework that addresses the ongoing challenges in geometric data collection and utilization in UBEM. • Utilization of geometric data in urban building energy modeling (UBEM). • Recent advancements in geometric data collection and its processing for UBEM. • Implementation of geometric data in various bottom-up UBEM approaches. • Decision-making framework for the collection and utilization of geometric data. • Automation of geometric data collection and application of artificial intelligence.
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 | 0,012 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,010 | 0,017 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».