Corrélations technico-économiques pour la modélisation d'un système de trigénération pour bâtiments. Application sur le campus de l'Université Paris Nanterre
Bibliographic record
Abstract
Deux défis majeurs sont à relever dans le secteur énergétique : (i) fournir une puissance plus élevée à une population mondiale croissante et (ii) identifier les sources fortement émettrices de gaz à effet de serre pour assurer une transition vers celles plus respectueuse de l'environnement. Pour relever ces deux défis, deux approches se combinent : produire une énergie verte au travers des énergies renouvelables et, consommer moins d'énergie pour fournir les mêmes services, en améliorant l'efficacité des procédés [1]. Le développement de machines de trigénération peut apporter une solution dans le secteur du bâtiment. L'optimisation de ces systèmes se fait en premier lieu par l'usage de sources renouvelables, comme la géothermie ou l'énergie solaire, et l'amélioration des rendements énergétique et exergétique [2]. L'objectif de ce travail concerne le développement de corrélations technico-économiques afin de compléter le modèle énergétique, exergétique et économique d'un système de trigénération, pour une application dans le secteur des bâtiments, plus particulièrement sur le campus de l'Université Paris Nanterre [3]. Le système de trigénération étudié est en phase de dimensionnement, qui fait suite à la Simulation Thermique Dynamique (STD) du bâtiment (COMFIE). Plusieurs configurations sont analysées, en utilisant plusieurs sources énergétiques (solaire, géothermique, puits canadien et combustion de biogaz). Le stockage thermodynamique est proposé par Batterie de Carnot et la mutualisation des échangeurs des machines ORC (Organic Rankine Cycle) et PAC (Pompe A Chaleur) [4]. Une machine à absorption (LiBr/eau) va assurer le rafraîchissement solaire des locaux en utilisant des panneaux solaires thermiques et le stockage thermodynamique. L'analyse thermodynamique sera complétée par une analyse thermo-économique, dans le but de minimiser le coût total du système [5]. Afin de permettre cette optimisation, il est donc nécessaire d'établir des corrélations reliant le coût et les performances de chaque composant (compresseur, pompe, turbine, évaporateur, condenseur, bouilleur, absorbeur etc). L'étude bibliographique montre qu'il est nécessaire d'actualiser et de compléter les corrélations publiées dans la littérature scientifique [2,6], pour une adaptation aux gammes de composants et aux conditions de fonctionnement visées par notre application. [1] Ministère de la Transition Ecologique, 2023, https://www.ecologie.gouv.fr/renovation-energetique [2] Beniasadi E et al., Exergy-economic analysis of a solar-geothermal combined cooling, heating, power and water generation system for a zero-energy building, International Journal of Hydrogen Energy, 2023, https://doi.org/10.1016/j.ijgydene.2023.01.186 [3] Grosu, L., Marin, A., Dobrovicescu, A., Queiros-Condé, D., Exergetic approach for a solar combined system: Organic Rankine Cycle and absorption cooling system, Int J Energy and Environmental Engineering (2016) 7(4): 449-459. doi:10.1007/s40095-015-0168-y [4] Olivier Dumont, Guido Francesco Frate, Aditya Pillai, Steven Lecompte, Michel De paepe, Vincent Lemort, Carnot battery technology: A state-of-the-art review, Journal of Energy Storage, Volume 32, 2020 [5]Tsatsaronis G., Moran MJ. Exergy aided cost minimization, Energy Conversion and Management, 1997;38:1535-42 [6] Grosu, L., Benelmir, R., FEIDT, M. Technico-économic simulation and optimization of a compression refrigerating machine, Energy Conversion \& Management Journal 1999, 40(15): 1651-1660,
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".