Application of Support Vector Regression to the Prediction of the Long-Term Impacts of Climate Change on the Moisture Performance of Wood Frame and Massive Timber Walls
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The objective of this study was to explore the potential of a machine learning algorithm, the Support Vector Machine Regression (SVR), to forecast long-term hygrothermal responses and the moisture performance of light wood frame and massive timber walls. Hygrothermal simulations were performed using a 31-year long series of climate data in three cities across Canada. Then, the first 5 years of the series were used in each case to train the model, which was then used to forecast the hygrothermal responses (temperature and relative humidity) and moisture performance indicator (mold growth index) for the remaining years of the series. The location of interest was the exterior layer of the OSB and cross-laminated timber in the case of the wood frame wall and massive timber wall, respectively. A sliding window approach was used to incorporate the dependence of the hygrothermal response on the past climatic conditions, which allowed SVR to capture time, implicitly. The variable selection was performed using the Least Absolute Shrinkage and Selection Operator, which revealed wind-driven rain, relative humidity, temperature, and direct radiation as the most contributing climate variables. The results show that SVR can be effectively used to forecast hygrothermal responses and moisture performance on a long climate data series for most of the cases studied. In some cases, discrepancies were observed due to the lack of capturing the full range of variability of climate variables during the first 5 years.
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.
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 découle