Rapid indoor airflow prediction using a hybrid residual learning regression model
Notice bibliographique
Résumé
Ventilation performance and resulting indoor airflow patterns influence indoor air quality, thermal comfort, and energy consumption, particularly in densely occupied spaces such as classrooms. Nonetheless, accurate airflow prediction remains a challenge. Computational Fluid Dynamics (CFD) provides detailed predictions but is computationally intensive, while machine-learning (ML) models, though faster, operate as black boxes and are limited to the geometry used for training. To address this, we propose a physics-guided ML model termed Residual Learning Regression (RLR), which integrates Multivariate Linear Regression (MLR) with Extreme Gradient Boosting (XGB) residual correction. This hybrid model was trained on 149 validated classroom CFD simulations spanning the effect of diffuser geometry, air change rate, inlet temperature, and occupancy level on airflow patterns. From the RLR, four equations were derived to predict the spatially averaged values of airflow mixing, ventilation effectiveness, temperature, and velocity at the breathing level. Further, geometry-based correction factors were introduced, extending equations’ applicability to room volumes of 25–532 m 3 . Results show that the RLR improves baseline MLR accuracy by about 10 % and achieves airflow prediction comparable to XGB, while maintaining interpretability. Independent experimental validation and uncertainty analysis showed deviations within credible bounds, confirming the model’s robustness. The developed RLR equations offer a scalable and reliable alternative to CFD and black-box ML, bridging the gap between high-fidelity modeling and rapid ventilation assessment. Importantly, its transparent structure and predictive accuracy highlight the RLR model’s potential to inform future ventilation design standards and guidelines, supporting healthier and energy-efficient buildings.
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 ».