Impact of Wall Paint Solar Absorptance on CO2 Emissions in Residential Buildings: A Case Study from Bangkok
Notice bibliographique
Résumé
Electricity consumption in buildings is a significant contributor to greenhouse gas emissions, which drive climate change. Reducing electricity use in residential buildings, which account for approximately 20% of Thailand’s total electricity consumption, represents a key opportunity for lowering greenhouse gas emissions. The aim of this study was to assess the potential reduction in greenhouse gas emissions through the use of appropriate solar absorptance in wall paint, conducted via an energy simulation using a representative residential building model from Bangkok. The DOE2.1E program was employed to simulate a standard two-story house commonly found in Thailand, with an approximate floor area of 120 square meters. The window-to-wall ratios were set at 10% and 20%, and air conditioning usage was modeled for nighttime hours. External wall paint was assigned varying solar absorption coefficients, ranging from 10% to 90%. Greenhouse gas emissions were calculated by multiplying the simulated annual electricity consumption by the emission factor, expressed in kgCO2eq/kWh, provided by the Thailand Greenhouse Gas Management Organization. The results indicated that adjusting wall paint solar absorptance from 10% to 90% led to a 10% variation in both energy consumption and greenhouse gas emissions, potentially reducing CO2 emissions by approximately 411–456 kgCO2eq per house per year. Therefore, implementing regulations that mandate the use of wall paints with appropriate solar absorption coefficients could significantly reduce greenhouse gas emissions and contribute to environmental protection efforts in Thailand.
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) | 0,001 | 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 ».