A numerical and experimental investigation of the effectiveness of green roofs in tropical environments: The case study of Mauritius in mid and late winter

Mungur, Maheshsingh; Poorun, Yashna; Juggurnath, Diksha; Ruhomally, Yusra Bibi; Rughooputh, Reshma; Dauhoo, Muhammad Zaid; Khoodaruth, Abdel; Shamachurn, Heman; Gooroochurn, Mahendra; Boodia, Navindra; Chooneea, Mahindra; Facknath, Sunita

doi:10.1016/j.energy.2020.117608

Cited by 11 publications

(2 citation statements)

References 32 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Yeşil çatılar, yağmur ve sulama suyunu tutar, bu da ortam havasını etkili bir şekilde soğutur, güneş ışınların binalara olan direk etkisini azaltır ve güneş ışınlarının su yalıtım tabakasına ve bina kabuğuna verebileceği fiziksel zararını azaltır. Yeşil çatılar ayrıca sıcak iklim kuşaklarında özellikle ilkbahar ve yaz aylarında enerji tüketimini azaltmanın yanı sıra iç konforu da artırır [10][11].…”

Section: Discussionunclassified

Yeşi̇l Çati Uygulamasinin Örnek Bi̇r Bi̇na İçi̇n Isitma İhti̇yaci Ve Çevre Emi̇syonlarina Etki̇si̇ni̇n İncelenmesi̇

et al. 2021

View full text Add to dashboard Cite

Bu çalışmada farklı derece gün bölgelerinde yer alan iki farklı şehirdeki yeşil çatı uygulamasının ısıtma ihtiyacına, çevre emisyonlarına ve yakıt maliyetine etkisi iki farklı iç ortam sıcaklıklarında incelenmiştir. Binanın, ısı yalıtımsız, ısı yalıtımlı ve yeşil çatılı olma durumları için ısıtma ihtiyacı, aylık yakıt maliyeti ve emisyon değerleri belirlenmiştir. Ayrıca ekonomik analiz yapılarak ısı yalıtımı ve yeşil çatı uygulaması ile yatırımın geri ödeme süresi hesaplanmıştır. İç ortam sıcaklığı 19°C olduğu durumda ikinci gün bölgesinde mayıs ve eylül aylarında ısıtma ihtiyacına gerek duyulmazken, iç ortam sıcaklığı 21°C olduğu durumda mayıs ve eylül aylarında ısıtma ihtiyacına gerek duyulmuştur. İç ortam 19°C için birinci gün bölgesi için 15161.80 kg CO2, ikinci gün bölgesi için ise 32484.27 kg CO2'lik, iç ortam sıcaklığının 21°C kabul edilmesi durumu için birinci gün bölgesi için 19344.34 kg CO2, ikinci gün bölgesi için ise ısı yalıtımsız duruma göre 36246.31 kgCO2'lik bir azaltma gerçekleştirilmiştir.

show abstract

Section: Discussionunclassified

Yeşi̇l Çati Uygulamasinin Örnek Bi̇r Bi̇na İçi̇n Isitma İhti̇yaci Ve Çevre Emi̇syonlarina Etki̇si̇ni̇n İncelenmesi̇

et al. 2021

View full text Add to dashboard Cite

show abstract

“…Green roofs can absorb solar radiation and reduce indoor temperatures by an average of 3°C 18 . In hot regions, they can effectively reduce the energy consumption of air‐conditioning systems 19 …”

Section: Literature Reviewmentioning

confidence: 99%

Metaheuristics‐optimized deep learning to predict generation of sustainable energy from rooftop plant microbial fuel cells

Chou

Cheng

Liu

et al. 2022

Intl J of Energy Research

View full text Add to dashboard Cite

Plant microbial fuel cells (PMFCs) are an emergent green-energy technology that continuously converts solar energy into electricity. Placing PMFCs on the roofs of urban buildings can help to create green urban environments even as they generate power. The power generation performance of PMFCs is affected by a range of environmental factors, so their power generation capacity is difficult to estimate. To develop an artificial intelligence model to forecast PMFC power generation accurately, relevant results obtained using shallow and deep learning techniques are compared for the first time. Once deep learning techniques had been identified as superior for this purpose, they were used with a bio-inspired optimization algorithm to dynamically setting the model hyperparameters. The developed model can also be applied to estimate the power generation capacity of PMFC devices in the future. The model was trained using data collected from sensors in a site experiment that was carried out using PMFCs embedded with Chinese pennisetumin (Pennisetum alopecuroides), narrowleaf cattail (Typha angustifolia), dwarf rotala (Rotala rotundifolia), and no plant as a control group. The original data of device parameters, environmental parameters, and the measured power generation of PMFCs in numerical form were applied to train shallow learning and time-series deep learning models. Meanwhile, the state-of-the-art sliding window technique was used to establish a numerical matrix, which was converted into a 2D image-like format to represent inputs for deep convolutional neural network (CNN) models. The accuracy in predicting the power generation capacity of PMFC devices showed that EfficientNet, an advanced type of CNN, was the best model among the shallow and deep learning techniques. These analytical results demonstrate the superior performance of deep CNNs in learning image features and their consequent suitability for constructing PMFC power generation forecasting models. To enhance the generalization performance of CNN, a

show abstract

Enhancing Energy Performance and Comfort of Built Environment in Tropical Climates

Gooroochurn

Giridharan

2021

Urban Microclimate Modelling for Comfort and Energy Studies

View full text Add to dashboard Cite

A numerical and experimental investigation of the effectiveness of green roofs in tropical environments: The case study of Mauritius in mid and late winter

Cited by 11 publications

References 32 publications

Yeşi̇l Çati Uygulamasinin Örnek Bi̇r Bi̇na İçi̇n Isitma İhti̇yaci Ve Çevre Emi̇syonlarina Etki̇si̇ni̇n İncelenmesi̇

Yeşi̇l Çati Uygulamasinin Örnek Bi̇r Bi̇na İçi̇n Isitma İhti̇yaci Ve Çevre Emi̇syonlarina Etki̇si̇ni̇n İncelenmesi̇

Metaheuristics‐optimized deep learning to predict generation of sustainable energy from rooftop plant microbial fuel cells

Enhancing Energy Performance and Comfort of Built Environment in Tropical Climates

Contact Info

Product

Resources

About