A comprehensive variable refrigerant flow heat recovery model for building performance simulation
Notice bibliographique
Résumé
A comprehensive, physics-based, and modular Variable Refrigerant Flow with Heat Recovery (VRF-HR) model is developed for multi-year simulations of large-scale VRF systems. The model is designed to simulate various operational modes, including single-mode (cooling-only, heating-only) and heat recovery mode, across any number of indoor units (IUs), outdoor units (OUs), and compressors. A parameter-estimation procedure leveraging manufacturer data is implemented to calibrate the model, ensuring accurate system representation. A machine learning-based control strategy is introduced to emulate real-world compressor selection for partial load operation. The model is validated using two years of operational data from a large-scale VRF system serving the first floor of the former ASHRAE Headquarters Building in Atlanta, USA, which consists of 22 indoor units, 2 outdoor units, and 8 compressors. Results demonstrate that the manufacturer-tuned model accurately predicts total energy consumption, achieving a relative error of 9.5%, an NMBE of 6.2%, and a CVRMSE of 27.2% over the first year. For the second year, the model achieves a CVRMSE of 25.3%, an NMBE of 5%, and a relative error of 7%, meeting ASHRAE calibration criteria.
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 | 0,001 |
| 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 ».