Finding the Best Station in Canada for Using Residential Scale Solar Heating: A Multicriteria Decision‐Making Analysis
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
Solar energy‐based heating systems, which are capable of providing space heating as well as domestic hot water heating, are a promising alternative to conventional systems to achieve the status of reducing fossil energy consumption in residential buildings. Determining how suitable such systems are performing in Canada and which station is the most suitable in terms of energy‐economic‐environmental parameters are issues that have not been investigated so far. Considering that such results are very important for energy decision‐makers and investors, therefore, in the present work, the provision of space heating and hot water heating on a residential scale in 10 Canadian provinces was done by Valentin TSOL v2021 R3 software. Then nine software output parameters along with three parameters of land price, the population of each station, and the natural disaster index were weighted using the AHP method. Finally, the results of the stations were ranked using five MCDM methods including AHP, TOPSIS, WASPAS, CRITIC, and GRA. The results of numerical simulations showed that the CO 2 emissions avoided parameter has the most weight, and the parameters solar contribution to DHW and boiler energy to DHW has the least weight. Also, the final ranking of each station showed that the most suitable station is Regina and the most unsuitable station is Victoria. By examining and analyzing the results, it was found that only based on the outputs of the Valentin TSOL v2021 R3 software, it is not possible to comment on finding appropriate and inappropriate stations, and the necessity of using ranking methods was observed more than before.
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 | 0,001 | 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