Exposure-based smart ventilation and occupancy control for optimizing ventilation energy consumption and long-range airborne transmission of COVID-19 in school environments
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
Abstract Mechanical ventilation is an effective measure to control indoor long-range airborne transmission of COVID-19, but it often leads to substantial energy expenditure. This study introduces a novel exposure-based smart ventilation and occupancy control strategy to reduce infection risk and save energy in school environments that are typically characterized by fixed occupants and long exposure time. This exposure-based approach allows the quanta concentration to vary over time rather than keeping it constantly below certain thresholds. This enables us to: (1) adjust ventilation and occupant schedule to facilitate passive cooling/heating potential in response to outdoor weather conditions; (2) consider the interaction between ventilation and occupant schedule to maximize their benefits in reducing infection risk and energy consumption. Taking a typical classroom as a base case, ventilation and occupant schedule are optimized individually and jointly through Genetic Algorithm, to control infection risk, minimize energy consumption, maintain thermal comfort, and promise sufficient schooling time. Our results show that the most energy-efficient strategy is the concurrent optimization of both occupant schedule and ventilation, achieving an energy reduction of up to ∼60% compared to traditional constant ventilation methods. Solely optimizing occupant schedule is the least energy-efficient strategy, yielding an energy reduction ratio (over base case) of only half of the most efficient strategy. Our study reveals the possibility of optimizing occupant schedule and ventilation to balance building energy consumption and transmission control. The viability of these control strategies has been proven across various climate zones and seasons in China, highlighting their broad applicability.
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 | 0,000 | 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 découle