Optimisation de la consommation énergétique des serres dans le contexte du Québec
Bibliographic record
Abstract
Avant-proposJe tiens tout d'abord à remercier mon directeur de mémoire Kodjo Agbossou qui m'a guidée tout au long de ce projet de recherche et qui m'a apporté un soutien par ses précieux conseils, son écoute, son suivi et son intérêt pour mes travaux.J'aimerais remercier aussi mon codirecteur de recherche Nilson Henao, pour l'appui technique et sa participation dans l'élaboration du projet de recherche.J'adresse aussi mes plus sincères remerciements à Shaival Nagarsheth qui m'a appuyée dans le développement et dans l'organisation des idées tout au long de ce travail.Ce travail n'aurait pas été possible sans l'aide de différents instituts et organismes qui, au travers de leur soutien financier, ont reconnu mon travail : le Conseil de Recherches en Sciences Naturelles et en Génie du Canada (CRSNG), l'Institut de Recherche sur l'Hydrogène (IRH) et la Fondation de l'UQTR.Je voudrais aussi remercier mes collègues du laboratoire d'innovation et de recherche en énergie intelligente, particulièrement Khansa Dab qui m'a guidée depuis le début de mes études aux cycles supérieurs, mais aussi Simon Pierre Betoka et Moussa Ibrahim Moumouni qui m'ont apporté de l'aide ou simplement des bonnes conversations durant ce parcours.À ces personnes qui étaient directement impliquées dans mon cheminement académique, s'ajoutent aussi mes proches : mes parents, mon frère, mes sœurs et mes amis surtout Ahmed Dhahri qui m'a soutenue pendant les périodes glorieuses et les périodes creuses.v γ Constante psychrométrique en (kPa K -1 ) ρ Densité de l'air en (kg m -3 ) a Constante spécifique de la plante b Constante spécifique de la plante c Capacité thermique volumétrique de l'air en (J m -3 °C -1 ) C 1 Concentration de CO 2 à l'intérieur de la serre (kg [CO 2 ] m -3 ) C 2 Concentration de CO 2 à l'extérieur de la serre (kg [CO 2 ] m -3 ) C p Chaleur spécifique de l'air en (J kg -1 K -1 ) c air Capacité thermique spécifique de la serre C ass Assimilation de CO 2 en (ppm) C in Concentration de CO 2 à l'intérieur de la serre en (ppm) xi C out Concentration de CO 2 à l'extérieur de la serre en (ppm) C vent Taux de perte de CO 2 vers l'extérieur (kg [CO 2 ] m -2 s -1 ) D i Déficit de pression de vapeur de l'air en (kPa) e Rapport du contenu de chaleur latente au contenu de chaleur sensible de l'air saturé g Coefficient d'échange en (kg m -3 ) g a Conductance aérodynamique en (m s -1 ) g c Conductance stomatique en (m s -1 ) g e Conductance de transpiration h Coefficient d'échange thermique en (W °C -1 m -2 ) V 1 Concentration de vapeur d'eau à l'intérieur de la serre (kg [eau] m -3 ) V 2 Concentration de vapeur d'eau à l'extérieur de la serre (kg [eau] m -3 ) xiii V Air Concentration de vapeur de l'air en (kg m -3 ) V surface concentration de vapeur saturante à la température de la surface en (kg m -3 ) W cond Vapeur condensée en eau sur les surfaces froides en (kg m -2 s -1 ) W Evap Quantité d'eau évaporée du sol en (kg m -2 s -1 ) W Latent Quantité nette d'eau transformée en vapeur dans la serre en (kg m -2 s -1 ) W Tran Quantité d'eau transpirée par la plante en (kg m -2 s -1 ) W vent Taux de perte de vapeur d'eau vers l'extérieur (kg [eau] m -2 s -1 ) xiv Liste des acronymes AEC Agriculture en environnement contrôlé.5 ANFIS Systèmes d'interférence neuro-flou adaptatifs.31 CVAC Systèmes de chauffage, de ventilation et de climatisation.21-23, 40, 41 DEL Diodes électroluminescentes. 15 DLI Intégrale d'éclairage journalier.45 DPV Déficit de pression de vapeur.18 EA Algorithme Évolutif.29 FIR Rayonnement thermique.15 HPS Lampes à vapeur de sodium à haute pression.15 LAI Indice de surface foliaire.18 MAPE Erreur moyenne absolue en pourcentage.35 MIMO Configuration à multiples entrées et sorties.28 MPC Contrôle prédictif de modèle.30 NIR Rayonnement proche infrarouge.14, 15 NMBE Erreur de biais moyenne.35 PAR Rayonnement photosynthétique actif.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".