MétaCan
Menu
Retour à la cohorte
Enregistrement W6998935644

Boiler Retrofits and Decarbonization in Existing Buildings: HVAC Designer Interviews

2022· article· en· W6998935644 sur OpenAlexaboutno aff

Notice bibliographique

RevueeScholarship (California Digital Library) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueIntegrated Energy Systems Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHVACBoiler (water heating)ElectrificationWork (physics)Natural gasWater heatingHeating system
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

In this study, we investigate methods to reduce carbon emissions from existing large commercial buildings with central natural gas-fired boilers used for space heating. This research explores opportunities to reduce natural gas use through improved building operations and through building decarbonization. We conducted one-hour interviews with 17 mechanical HVAC designers, together having over 350 years of industry experience, professional tenures at engineering consulting firms and design/build firms, and project work in California, New York, Texas, Alaska, the United Kingdom, and Canada. We asked a mix of quantitative and qualitative questions, covering four topic areas: General Background, Peak Heating Load and Boiler Selection, Boiler Controls, and Existing Building Decarbonization. The interviews yielded insight into industry practices, including determining peak heating load, equipment redundancy, boiler staging controls, Heating Hot Water temperature resets, challenges of building electrification, and design considerations for building decarbonization. From the interview results, we developed five key findings: (1) New boilers are oversized, (2) Actual building load distributions are not available, (3) Heating Hot Water temperatures are too high, (4) Boiler end-of-life is not the best electrification opportunity, (5) Reduce building emissions even if all-electric is infeasible. There are many challenges to reducing carbon emissions from existing buildings, but we conclude there are also many opportunities to make immediate positive change.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,062

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,016
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0070,005
Communication savante0,0040,005
Science ouverte0,0010,004
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,198
Écart entre enseignants0,184 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship (California Digital Library)Même sujetIntegrated Energy Systems OptimizationTravaux en français237 207