A METHODOLOGY TO QUANTIFY LOCAL CARBON-FREE THERMAL ENERGY SOURCES WITH HIGH TEMPORAL AND SPATIAL RESOLUTION
Notice bibliographique
Résumé
Decarbonizing space heating is a critical challenge in Canada, where cold climates and reliance on fossil fuels contribute significantly to carbon emissions. Capturing and reusing heat that would otherwise be wasted (waste heat) presents a viable opportunity to reduce emissions associated with space heating. This heat recovery can occur internally within a single building or, when there is surplus, be distributed to neighbouring buildings through a thermal network. To effectively integrate waste heat into community energy systems, these heat sources must be identified and quantified. This enables decision-makers to assess both the quality and availability of the sources to determine how they can best meet local space heating demands. This study presents a methodology to quantify available waste heat sources across Ontario using a combination of a top-down and bottom-up approach. This study aims to enhance the understanding of heat recovery potential and support the development of thermal networks in the province. The methodology presented is also adaptable for application in other regions. Particular attention is given to nonconventional, low-temperature heat sources, which are often overlooked despite being valid options for thermal networks. These sources offer several benefits, including proximity to heating demand within communities, long-term availability, and the ability to diversify heating supply. The analysis reveals that the residual heat sources identified in this study could supply up to 128 TWh of heat annually in Ontario, which is equivalent to the province’s annual space heating demand currently being met by natural gas.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».