archetypal: A Python package for collecting, simulating, converting and analyzing building archetypes
Notice bibliographique
Résumé
<pre>The field of Urban Building Energy Modeling (UBEM), which assesses the energy performance of buildings in cities relies on advanced physical models known as building energy models that are representative of the building stock. These building archetypes are often developed in specific modelling platforms such as EnergyPlus or TRNSYS, two leading simulation engines in the field of building energy modeling. EnergyPlus is an open source simulation engine developed by the US Department of Energy. TRNSYS is a well established and specialized simulation platform used to simulate the behavior of transient systems. The Urban Modeling Interface (UMI), developed by the MIT Sustainable Design Lab, leverages EnergyPlus to enable building energy modeling at the urban scale. The three tools offer many advantages in their respective fields, but all suffer from the same flaw: creating building archetypes for any platform is a time-consuming, tedious and error-prone process. `archetypal` is a Python package that helps handling collections of such archetypes and to enable the interoperability between these energy simulation platforms to accelerate the creation of reliable urban building energy models. This package offers three major capabilities for researchers and practitioners: 1. Run, modify and analyze collections of EnergyPlus models in a persistent environment; 2. Convert EnergyPlus models to UMI; 3. Edit UMI Template Files in a scripting environment; 4. Convert EnergyPlus models to TRNSYS TrnBuild Models. </pre>
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 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».