Mittausdatan käyttö kaukolämmitteisten asuinrakennusten lämpimän käyttövesisiirtimen mitoituksen optimoinnissa
Bibliographic record
Abstract
Tämä opinnäytetyö on tehty yhteistyössä Helen Oy:n kanssa. Työssä on käytetty lähteenä mittausdataa, jota on kerätty kuudesta eri Helenin kaukolämpöasiakkaan kohteesta. Mittausdataa saatiin lämpimän käyttöveden kulutuksesta kahden minuutin tarkkuudella. Työn tarkoituksena oli tutkia kohteiden lämpimän käyttövesisiirtimen mahdollista ylimitoitusta, sekä pohtia vaihtoehtoja siirtimen mitoitukselle tulevaisuudessa. Työssä syvennyttiin aluksi kaukolämmön teoriaan, lämmönvaihtimiin ja muihin lämmönjakokeskuksen varusteisiin, sekä niiden mitoitukseen. Hetkellistehoa lämpimän käyttöveden kulutuksesta verrattiin kohteeseen asennettuun käyttövesisiirtimen tehoon, ja todettiin siirtimen ylimitoitus. Mittaustuloksista kävi ilmi, että kohteet eivät käytä lämmintä käyttövettä läheskään niin paljon kuin siirtimellä riittäisi kapasiteettia. Siirtimen tehon ja lämpimän käyttöveden kulutuksen hetkellistehon ero vain suureni, mitä asuntojen lukumäärältä isompiin kohteisiin siirryttiin. Lisäksi kohteiden käyttöveden kulutuksen korkein hetkellisteho esiintyi erittäin harvoin. Lopuksi työssä on kehitelty uusi laskentakaava lämpimän käyttövesisiirtimen tehon mitoitukseen. Kaava mukailee työssä esitettyjä mittaustuloksia, ja apuna on myös käytetty Suomen ja Ruotsin mitoitusperiaatteita. Kaavaa voidaan pitää prototyyppinä, sillä mittausdataa ei ole kerätty vielä tarpeeksi, jotta kaikissa tilanteissa luotettava kaava voitaisiin muodostaa. Loppupäätelmä oli, että lämpimän käyttöveden kulutusmittareita tulisi alkaa asentaa niin moneen kaukolämpöasiakkaan kohteeseen kuin mahdollista, jotta käyttövesisiirtimen mitoitus saataisiin optimoitua.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.068 | 0.024 |
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".