Evaluating simplified building models' sensitivity to climate data for energy retrofit optimization
Notice bibliographique
Résumé
Accurate yet computationally efficient building energy models are crucial for informed retrofit decisions, particularly in light of climate uncertainty. While the tradeoff between accuracy and efficiency in simplified models has been examined, their performance across diverse climate conditions remains understudied. This paper makes a novel contribution by investigating how weather boundary conditions, including typical meteorological years, extreme events, and future climate projections, affect the accuracy of simplified building energy models. An Ottawa dormitory was selected as the test bed. A high-fidelity whole-building energy model was first built and validated against measured performance. Targeted simplifications in zoning, HVAC, and material properties were then introduced and benchmarked against the validated baseline. Results show that high-abstraction models are more sensitive to weather file selection, with monthly heating errors ranging from 8 % to 22 % in winter months compared to the detailed model. In contrast, finer-resolution models yield more consistent results, with typical monthly errors around 11 %. Simplified models can replicate the detailed model's ability to capture long-term reductions in heating demand under high-emission climate change scenarios. However, short-term performance during transitional months and extreme events reveals larger discrepancies. Such mispredictions are particularly critical when estimating peak loads, where undersized retrofit solutions may compromise resiliency. Overall, findings show that although simplified models may over-select certain retrofit measures, they remain valuable for early-stage analysis and long-term trend assessment, provided that their limitations are recognized and supplemented by higher-fidelity evaluation when necessary.
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 | 0,001 | 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 ».