能源危机、碳减排目标和气候变化的影响越来越大,这些因素使得能源管理成了英国地方议会日程上的重点关注事项。超过300个地方当局已经宣布进入气候紧急状况,许多地方政府正在寻找方法来实现2030年碳达峰目标。
英国地方议会正在寻求能够节约和减少对环境影响的领域,其中之一是充分利用建筑环境。地方政府拥有和管理的设施,以及所有处于地区内部的设施都存在很大的潜力减少碳排放。由于建筑环境排放占英国所有碳排放的40%以上,能够找到减少这种影响的方法是实现可持续性目标的基础。
利用科技是开始减碳旅程的关键。例如,数字孪生技术可以创建物理建筑和社区的实时虚拟副本,虚拟副本的行为与现实世界的对应物相同。从这些模型可以收集准确的建筑数据,可以了解哪些地方正在使用能源和浪费能源,可以了解哪些建筑能够利用支持性证据通过改进达到节约能源的目的。数字孪生技术超越了BIM(Building Information Modeling,建筑信息建模),数字孪生技术可以实现多个建筑和社区的复制,还可以在整个建筑生命周期中不断扩展模型,包括进入运营后还可以继续扩展模型。
我们来看一个例子:沃灵顿议会利用科技进行的改变。
沃灵顿的数字孪生
沃灵顿虚拟数字孪生的建立是由英国创新署资助的REWIRE项目的一部分。沃灵顿市议会委员会充分利用了这个虚拟数字孪生模型,从而了解到为了实现净零排放的未来,该地区的建筑和能源系统需要采取哪些能源、碳和成本效益措施。
IES的顾问与沃灵顿市议会合作开发了该地区的数字孪生模型,该地区由29个独立区域组成,来自市议会、能源性能证书(EPC)数据库和当地分配网络运营商的数据在创建数字双胞胎的过程中得到了充分利用。这些数据包括了建筑的建造时间、特征和电力网络基础设施等信息。
收集完数据后,所有29个区的信息被送到IES的智能社区设计(iCD)工具中进行单独建模。这项技术使议会能够分析和监测沃灵顿的持续演变并评估人口增长或安装可再生能源系统等变化对环境的影响。然后,全部29个模型被整理成整个地区的虚拟数字孪生。
居民区的最佳改造方案
最佳改造方案的敲定大致如下:
首先利用EPC数据收集沃灵顿50,000套住宅的信息,例如建筑特点、加热系统和年龄;
然后对四种主要类型的住宅建立模型,并利用这些模型提供该区的整体视图,整合电力、供暖、制冷、废热网络和各建筑物之间的共享能源链接;
然后在模型中测试各种改造方案,从空心墙和阁楼绝缘到全面的建筑升级,例如改进玻璃和减少外部空气的渗透率等等。例如,一个街区的基本改造将花费约50万英镑,可在500栋建筑中节省77,000英镑的能源成本并在六年半内收回成本。
数字孪生技术助力评估减碳方案
利用数字孪生技术还可以对不同的方案进行评估,实现沃灵顿全面脱碳的目的。数字孪生技术帮助确定了两个不同街区(涵括大约500个家庭)的最佳脱碳解决方案,实现的潜在能源节约高达56%。数字孪生技术建议的措施包括安装家用和商用空气源热泵和区域供暖。
两个社区的虚拟数字孪生模拟表明,所有的干预措施进入应用后,每年将有可能节省2000-2500吨二氧化碳,这可以使这两个社区成为净零碳排放区。
实现净零排放的定制途径
在上面的例子里,数字孪生技术使得实现净零排放的定制路径成为可能,同时也为市议会提供了查看所有可能优化方案的功能,市议会还可以了解相关脱碳举措的潜在投资回报。在预算不充裕的时候,科技能够量化节能措施、支持市议会控制能源管理以及在涉及改造、可再生能源资源和能源网络等事项上做出明智的决定。
实现气候承诺已经到了时不我待的关口,所有与建筑环境有关的组织都必须利用科技做出切实的改变。另外,能源成本将成为一个持续的痛点,时下在有关改进上投资的投资者将在不久的将来获益。
好文章,需要你的鼓励
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。