Application of Artificial Intelligence on Design Strategies to Optimize Urban Wind Energy
Notice bibliographique
Résumé
Maximizing urban wind energy capture constitutes a step towards self-sufficient buildings. Optimizing urban wind power requires knowledge of the environmental and building parameters modifying energy capture and tools for predicting urban wind behaviors. This thesis main objective is to build a database to develop artificial intelligence (AI) programs to evaluate different design strategies and optimize urban wind energy. The database includes experimental wind tunnel velocities and turbulence intensities for terrain roughness, channeling effect, typical building shapes and several city configurations for several turbine locations. Wind velocities and turbulence intensities measured at the street-level and rooftop turbines on rectangular, U-shaped, and L-shaped buildings are further investigated with literature CFD results. Through the different combinations of experimental results and literature, a total of over 150 cases are added to the database. A decisional flow chart is developed using the results database and served as a results summary and an aid for programming the artificial intelligence (AI) networks. The elaborated database is implemented in an expert system and an artificial neural network. The AI programs are tested with city configurations models and a real case study, René-Lévesque Boulevard in downtown Montreal. Comparing the testing set to the actual experimental values, the data expert system predicts the modification in wind velocities with 68% - 98%accuracy. The feedforward artificial neural network developed is slightly more accurate than the expert system, showing success rates from 76% to 99%. Thus, AI tools and the decisional flow chart approach may be used for a preliminary assessment of the different design strategies power capture in urban environment.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».