SBiPV Phase 1: Numerical Fire Modeling of PV Modules with Thermodynamic Properties Optimization
Notice bibliographique
Résumé
Abstract Numerical fire models of photovoltaic (PV) modules are crucial for fire safety in building integration, supporting fire safety engineering analyses in designing such PV modules. This study develops a numerical fire model for PV panels using the ‘SPyro’ pyrolysis sub-model within Fire Dynamics Simulator (FDS), which enhances pyrolysis modeling through direct incorporation of cone calorimeter heat release rate per unit area (HRRPUA) data. Eight cone calorimeter experiments, exposing both glass and plastic sides of PV panels to 40, 50, 70, and 80 kW/m 2 incident heat fluxes, were conducted for calibration. The ‘SPyro’ sub-model utilizes experimental time-dependent HRRPUA curves to predict heat release. Thermodynamic properties, including ignition temperature and emissivity, significantly influence the simulated heat release rate (HRR). Multiple linear regression (MLR) was used to optimize these parameters by minimizing the deviation between simulated and experimental HRRPUA. Optimized emissivity values were 0.6 for glass and 0.7 for plastic, with ignition temperatures of 350 °C and 310 °C, respectively. Other thermodynamic parameters, such as material densities, thermal conductivities and specific heats were obtained from the literature. Comparing the numerical and experimental HRRPUA after using the optimized thermodynamic properties shows good agreement, especially regarding ignition time. Furthermore, results show that careful selection and optimization of input variables is crucial in using the ‘SPyro’ sub-model. This enables the model to be used in fire scenarios where fire spread over PV panels is an important fire hazard and important fire behavior characteristic for risk assessment.
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 ».