Tie- ja aluevalaistuksien sähkötekninen suunnittelu
Bibliographic record
Abstract
Opinnäytetyön tavoitteena oli laatia Finnish Consulting Group Oy:n sähkösuunnittelijoille mahdollisimman kattava ohje \ntie- ja aluevalaistuksien suunnitteluun. Ohjeessa keskitytään\npääasiassa standardien SFS-EN 13201-2:2003 ”Road lighting. Part 2: Performance requirements”, SFS-EN 12464-2:2007 ”Light and lighting. Lighting of work places. Part 2: Outdoor work places”, sekä SFS-EN 12193:2007 ”Light and lighting. Sports lighting” vaatimuksien täyttymisen tarkasteluun valaistuksen eri suureiden osalta sekä oikosulkuvirtojen ja jännittealenemien laskentaan.\nTyössä tutustutaan yleisimpiin valaistukseen liittyviin suureisiin sekä eri valonlähdetyyppeihin.\nTyössä käsitellään myös hieman Eco-design (EuP) -direktiivin vaikutusta valaistusteknisiin vaatimuksiin sekä niiden vaikutusta tie- ja aluevalaistuksien suunnitteluun lähitulevaisuudessa.\nOikosulkuvirtojen sekä jännitealenemien laskentamenetelmät käydään läpi esimerkkilaskelmien avulla ja tutustutaan Dialux 4.9 -valaistuslaskentaohjelmaan esimerkkilaskelmien avulla.\nOpinnäytetyössä tutustutaan pintapuolisesti myös tievalaistuksen älykkäisiin ohjausjärjestelmiin.\nYhteenvetona voidaan todeta, että tievalaistuksessa eletään muutoksen aikaa. Suomen kunnilla ja Tiehallinnolla on arviolta 700 000 elohopealamppuvalaisinta, jotka tullaan korvaamaan 5–15 vuoden aikana. Korvaavina valonlähteinä tullaan käyttämään todennäköisesti suurpainenatriumlamppua tai monimetallilamppua. Led-valaisimet vaativat vielä paljon kehitystyötä suuremman mittakaavan tievalaistuskäyttöön.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.011 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.196 | 0.085 |
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".