Manuscrit auteur, publié dans "ESIM 2006, Toronto: Canada (2006)" UTILISATION D’OUTILS DE SIMULATIONS DYNAMIQUES POUR L’OPTIMISATION DES PERFORMANCES D’UN BATIMENTS EN CLIMAT TROPICAL
Bibliographic record
Abstract
Lors de la construction d'un nouveau bâtiment, en phase d'avant projet, une procédure d’optimisation permet d'obtenir des améliorations sensibles des performances énergétiques. Dans le cadre d’une mission d’assistance à maîtrise d’ouvrage, une étude complète sur une médiathèque située en climat tropical humide montre que le confort, la consommation énergétique et la salubrité du bâtiment peuvent être amélioré grâce à l’utilisation d'outils de simulations dynamiques. Ces outils, un code de simulation dynamique, un générateur de séquences climatiques spécifiques et un logiciel d’évaluation des indices de confort, permettent d’évaluer précisément l’impact des améliorations envisagées. L’étude, basée sur une méthode d’optimisation itérative, propose un ensemble cohérent de solutions passives améliorant la gestion des énergies mais aussi les conditions de confort. Cet article traite ainsi des caractéristiques de l’enveloppe, de l’influence du taux de ventilation, de la disposition de protections solaires et de l’utilisation de systèmes de conditionnement d’air suivant différents scenarii.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.058 | 0.015 |
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".