A model to predict fire resistance of non‐load bearing wood‐stud walls
Notice bibliographique
Résumé
Abstract The author has developed a series of computer models to predict the fire resistance of wood‐framed walls and floors. The models utilize two‐dimensional heat‐conduction equations and thermo‐physical property data to describe heat transfer through the assemblies. The model for wall assemblies WALL2D, the basic version of the wall model, has already been published in Fire and Materials . Recently, WALL2D has been extended to WALL2DN to analyse heat transfer through insulated walls and walls that experience openings at the joints between adjacent sheets of gypsum board. Since gypsum board shrinks at high temperatures, the joints between adjacent sheets of gypsum board open. Hot fire gases, thereby, enter the openings and heat the edge of the gypsum board and wood studs. The new model WALL2DN simulates the joint opening and describes the resultant effect of openings. The model also calculates heat transfer through insulation in the stud cavity and depicts the effect of insulation on the fire resistance of non‐load bearing wall assemblies. Insulation selected in WALL2DN is glass‐fibre insulation, rock‐fibre insulation, polystyrene foam and polyurethane foam. When walls are exposed to fire, the insulation in the cavity shrinks (and/or melts) and an empty space appears at the interface between insulation and gypsum board. The model simulates this shrinking behaviour of insulation in the cavity. Finally, the model was validated by comparing the predicted results to those from full‐scale standard fire‐endurance tests. Copyright © 2003 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».