Robust building energy retrofit evaluation under uncertainty: An interpretable machine learning approach
Notice bibliographique
Résumé
Improving the energy efficiency and thermal comfort of existing residential buildings is essential for sustainable urban development. However, uncertainties in occupant behaviors and building constructions pose challenges to optimizing retrofit strategies. This study presents an integrated approach combining physics-based energy simulation, interpretable machine learning, and multi-objective optimization to quantify these uncertainties and identify optimal retrofit strategies. Latin Hypercube Sampling was used to generate representative variability in occupant and construction parameters, while Extreme Gradient Boosting (XGBoost) served as a surrogate model to reduce the computational burden of detailed simulations. Shapley Additive exPlanations (SHAP) and standardized regression coefficients were applied to enhance model interpretability and identify key features influencing energy and comfort performance. The approach was applied to representative Canadian single-detached houses across four climate zones and three HVAC systems: natural gas furnaces, air source heat pumps, and ground source heat pumps. XGBoost achieved R 2 values above 0.85 for energy consumption and 0.95 for discomfort hours in most scenarios. Heating setpoint temperature, airtightness, and equipment power density emerged as dominant factors, with their relative importance varying by HVAC types and climate conditions. Passive retrofits were more impactful in colder zones, while behavioral adjustments were more effective in milder climates. The surrogate-based model reduced computation time by 89.7%. Pareto optimal solutions demonstrated up to 48% energy savings and 32% discomfort hour reductions. The proposed method offers actionable insights for policymakers and practitioners to implement targeted, efficient, and adaptive retrofit strategies under uncertainty.
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 ».