Towards Urban Heat Loss Modeling Using Building Digital Twin
Notice bibliographique
Résumé
Abstract. Seventy percent of global greenhouse gas (GHG) emissions originate from urban areas, with urban heat loss contributing significantly to energy consumption (UNEP, 2020). Digital twins offer a potential solution and insight into the problem and its causes. This is a study started as an undergraduate Engineering Capstone Project with a collaborative effort between the University of New Brunswick and the National Research Council of Canada to develop a workflow to aid thermal efficiency modeling using Digital twins. This project uses the University of New Brunswick (UNB) Fredericton campus as a case study to capture UAV, nadir perspective LiDAR, Panchromatic imagery and long wave infrared (LWIR) thermal imagery. The workflow includes 4 major steps following the preprocessing: (1) creating point clouds from the LiDAR and Panchromatic sources, (2) merging point clouds using grid-based segmentation and iterative closest point algorithm (ICP), (3) classifying the point cloud using Point CNN networks aided by manual refinement, and (4) overlaying thermal data. The resulting digital twin achieved a high level of spatial alignment accuracy, with 95% of points falling on building surfaces falling within an 11 cm tolerance as assessed by quadric cloud-to-cloud distance. Semantic classification performed using Point CNN and faster R-CNN object detection identified façade features such as windows and doors with a precision of 91.8% and an F1 score of 83%. Thermal data was successfully integrated and converted to approximate temperature values, enabling further analysis of surface heat behavior and laying the groundwork for future energy modeling applications. This case study demonstrates a scalable framework for high-detail drone based digital twin development with practical relevance to urban thermal efficiency analysis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».