Optimization of energy system retrofitting in urban industrial symbiosis: A case study of heat recovery from a data center
Notice bibliographique
Résumé
As the effects of climate change increase, building energy system retrofits become increasingly essential for reducing global emissions. This study introduces an optimization tool designed to assist energy system designers in selecting the most efficient heating options for retrofitting buildings, while also enabling decision-makers to understand the financial and environmental implications of various solutions. The methodology employs a series of mathematical models optimized sequentially to determine optimal design parameters, including system type, sizing, and the design of heat recovery networks. Validation is provided through a case study in Montreal, Canada, focusing on retrofitting the heating system of a university campus building located near a data center. Results indicate that campus greenhouse gas emissions (Scopes 1 and 2, along with embodied emissions) can be reduced by 95 %, with only a 11 % increase in annual costs compared to the current operation. This significant emission reduction is attributed to a shift from natural gas to excess heat recovered from the data center, which can meet 74 % of the heating demand. Additionally, sensitivity analyses are conducted to identify key parameters that can significantly impact financial outcomes. The study also addresses implementation considerations, helping stakeholders remain aware of potential limitations. • Introducing a hybrid optimization model for urban heating system retrofitting. • Decarbonizing building heat demand through industrial excess heat recovery. • Demonstrating the potential for 95 % annual emissions reduction in a real case study.
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 | 0,001 |
| 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 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 ».