Optimization of building envelope latent heat storage integration based on internal surface solar insolation profiles
Notice bibliographique
Résumé
Phase change materials (PCMs) utilize solar energy for latent heat storage (LHS), a method of storing thermal energy through a material’s solid to liquid phase change. When LHS systems are implemented in buildings the thermal energy stored and released during phase changes provides passive temperature regulation and reductions in total conditioning loads. Often, in PCM installations, the PCM is uniformly distributed across entire interior surfaces of a space disregarding the opportunity to optimize PCM placement based on daily and annual solar geometry trends. Strategic placement of PCM within interior surfaces can maximize solar energy storage while reducing material and implementation costs. The objective of this study was to determine ideal thermal storage placement within building spaces based on direct solar radiation rays. A MATLAB model which utilizes cartesian coordinates and solar ray tracing was developed to generate interior surface insolation exposure maps and was validated with ESP-r. The MATLAB model demonstrated a strong correlation with the insolation analysis tool used by ESP-r, thus validating the insolation exposure maps generated by the model. In general, it was found that for a small cubic space with a south facing window in the northern hemisphere, the floor received the largest portion of insolation exposure on an annual basis. Within this surface, northern and southern subsections received the largest portions of insolation exposure for typical heating and cooling seasons respectively, indicating the PCM placement could be tailored to subsections of the floor to optimize its performance during distinct conditioning periods.
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 ».