MétaCan
Menu
Retour à la cohorte
Enregistrement W3124382548 · doi:10.15376/biores.16.1.862-881

Projected cross-laminated timber demand and lumber supply analysis

2020· article· en· W3124382548 sur OpenAlexaboutno aff
Kristin Brandt, Greg Latta, Dane Camenzind, Dan Dolan, Don Bender, Alex Wilson, Michael P. Wolcott

Notice bibliographique

RevueBioResources · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCross laminated timberSupply and demandAgricultural economicsProduction (economics)Market researchMarket penetrationPopulationEngineeringCivil engineeringBusinessEconomics

Résumé

récupéré en direct d'OpenAlex

The use of cross-laminated lumber (CLT) for building construction has gained interest in the United States (US) and Canada. Although anecdotal market size claims exist, few quantitative studies have estimated the potential market size or discussed the impact of CLT on lumber supply. This paper presents a method to quantify CLT markets and lumber supplies based on data for the Northwest US. The western US was chosen for its early adoption of CLT combined with a long history of commercial timber construction. Structural designs of archetype buildings were combined with projected multifamily residential and commercial building construction to estimate the demand for CLT. These figures were reduced to account for assumptions that address market penetration and population density. In the case study for the Northwest, the total potential market is less than the existing CLT production in western North America. Thus, the demand region was expanded to include the US and Canada west of the Rocky Mountains, resulting in an estimated demand of 800,000 m3/yr by 2030. A regional lumber supply study suggests that the lumber supply will support the existing CLT industry, which utilizes approximately 2% of the selected lumber classifications, with an unknown impact on lumber cost and production.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,119
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,236
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioResourcesMême sujetForest Management and PolicyTravaux en français237 207