Novel seasonal application of low-level solar concentration to contribute to net-zero buildings
Notice bibliographique
Résumé
Due to excessive fossil fuels consumption, the concentration of carbon dioxide is predicted to be approximately 500 ppm by 2050, impacting global biodiversity for generations. Increasing the percentage of recent solar energy use—sun, wind, hydro, and biomass—to address our global energy needs is of fundamental importance. With buildings representing nearly 38% of global emissions, solar energy can contribute to reduce impact: increasing the productive use of solar insolation from building grounds using reflective tracking mirrors, referred to as Sunflower, is a critical component. To this effect, a Sunflower model is developed from first principles to evaluate the productive use of low-level solar magnification from building grounds and rooftops. This model predicts the solar insolation incident onto a user chosen target with many Sunflowers to contribute to net-zero buildings. The model inputs are flexible, for example, change in number of Sunflower mirrors and their target specifications, including seasonal relocation to optimally reduce energy demand in a building, are part of user inputs. The model utilizes a single ray-tracing method to evaluate the solar irradiation redirected onto the building using low-cost solar tracking mirrors. This model developed in Python is based on solar angles and weather data to calculate the redirected hourly solar flux onto a chosen target. Using NREL’s Solartrace program based on the Monti-Carlo method, model results are validated within an error of 2.35%. The Sunflower model is then applied to predict the displaced energy in an outdoor pool heating application. The pool heating approach using Sunflower bypasses second law inefficiencies as the pool is heated by the irradiations directly from sun without the use of an intermediate thermal fluid. Multiple case scenarios are established to evaluate the optimal mirror angles to increase the solar intensity for a given seasonal configuration. The Sunflower model predictions for applications in Winnipeg, Manitoba (Latitude 49.9o) using 10 Sunflowers shows that seasonal pool heating load can be reduced by 67%, with a yearly GHG savings of 5.1 tons of CO2eq. For this case, the average yearly solar intensity ratio for a single Sunflower with a horizontal target is 1.81, and averages 1.50 during summer months when solar insolation is higher. For a similar application in the remote community of Arviat, Nunavut (Latitude 61.1o), currently depending on diesel fuel, pool water heating requirements can be reduced by 40% using 15 Sunflowers.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».