Modélisation énergétique de serres de petite taille : Amélioration, calibration et validation d’un modèle de simulation thermique dynamique développé avec TRNSYS
Bibliographic record
Abstract
Au Québec, les producteurs agricoles et les communautés ont recours aux serres de petite taille afin de prolonger la saison de culture. Le maintien des conditions optimales de croissance dans ce type d’espace devient rapidement énergivore, cette consommation d'énergie représentant un défi majeur pour une exploitation serricole rentable. La simulation thermique dynamique de serres est un outil pour y étudier les performances énergétiques. Cependant, il n'existe pas actuellement de modèle énergétique validé permettant de simuler avec confiance les performances énergétiques des serres de petite taille dans le climat québécois. \n \nL’objectif principal est de développer un modèle énergétique de serre de petite taille en contexte québécois. Pour ce faire, l’outil de simulation thermique dynamique, TRNSYS, est utilisé. Un modèle existant est évalué et amélioré avec des composants de modélisation énergétique détaillés. Le modèle est adapté pour représenter une serre à Victoriaville, Québec. \n \nLe modèle est calibré pour fixer les paramètres incertains. Une analyse de sensibilité est d’abord utilisée pour identifier les paramètres incertains sensibles, suivie d’une calibration automatisée en plusieurs étapes. La méthode de calibration automatisée utilise un algorithme génétique multi-objectif pour ajuster les paramètres incertains, en calibrant le modèle pour la température de l’air intérieur et l’humidité relative mesurées. Le modèle est considéré comme calibré pour les phases passive et de ventilation naturelle (56 jours) avec une erreur quadratique moyenne (RMSE) de 1,6°C pour la température intérieure et de 8,3% pour l’humidité relative. \n \nLe modèle est ensuite validé avec deux ensembles de données additionnels, une serre froide et une serre minimalement chauffée. Dans les deux cas, la comparaison des résultats de la simulation avec les mesures de l’environnement intérieur a conduit à une RMSE sous 2°C pour la température et sous 10% pour l’humidité relative : ces valeurs se comparant favorablement à celles de la littérature. Le modèle a atteint une erreur relative moyenne de 3,7 % pour l’estimation de la consommation mensuelle d’énergie pour une serre minimalement chauffée. \n \nCompte tenu de ces résultats, le modèle est considéré comme suffisamment précis et applicable pour les études futures de performances énergétiques. Le modèle TRNSYS, par sa polyvalence, offre la possibilité d'explorer différentes configurations de construction, de systèmes et de modes d’opération pour les serres. Cela ouvre des perspectives variées pour évaluer et améliorer les performances énergétiques des serres de petite taille au Québec.
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
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gemma | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: no | Simulation or modeling | low |
| gpt | no category Domain: not available · Genre: Methods About the Canadian research system: no · About a Canadian topic: no | Simulation or modeling | high |
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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, unvalidatedLabeled directly by 2 models reading the full record.
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".