MétaCan
Menu
Retour à la cohorte
Enregistrement W4220678549 · doi:10.1061/9780784483978.068

A Framework for Estimating the Reuse Value of In Situ Building Materials

2022· article· en· W4220678549 sur OpenAlexaff
Aida Mollaei, Chris Bachmann, Carl T. Haas

Notice bibliographique

RevueConstruction Research Congress 2022 · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueBIM and Construction Integration
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésReuseDemolitionDeconstruction (building)Raw materialCircular economyNatural resourceConsumption (sociology)Environmental economicsPopulationProduction (economics)Work (physics)Building materialSustainabilityBusinessCivil engineeringEngineeringWaste managementMechanical engineeringEconomics

Résumé

récupéré en direct d'OpenAlex

Rapid global population growth is leading to an increase in demand for raw materials. The construction sector is responsible for a major part of global material consumption, accounting for approximately 50% of raw material extraction. Although the demand for construction materials is increasing, natural resources are becoming scarcer. One solution to mitigate the pressure on natural resources is to implement urban mining strategies. These will require demolition, disassembly, and deconstruction processes that belong to the broader construction domain as it evolves toward a circular economy in the built environment. Significant work has been conducted on measuring and managing the availability of secondary materials in material banks. However, there is a lack of understanding of the market value of these material banks and their potential for decreasing raw material consumption. In this research, a framework that can be used to estimate the reuse and recycling market value of in situ materials is developed. The results of this research aim to positively impact the transition to a more circular economy in the built environment by bringing insight into the value of materials that are currently in-use but have the potential to support future demands.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,302
Score d'incertitude au seuil0,630

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
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 recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,342
Écart entre enseignants0,305 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueConstruction Research Congress 2022Même sujetBIM and Construction IntegrationTravaux en français237 207