Representative meteorological data for long-term wind-driven rain obtained from Latin Hypercube Sampling – Application to impact analysis of climate change
Notice bibliographique
Résumé
Accurate estimation of wind-driven rain (WDR) load on building facades is of paramount importance for the assessment of moisture-induced damage risks. The response of the facade depends on the used meteorological data, which can show significant variation over time, especially considering climate change. In this study, a statistical approach based on a Latin Hypercube Sampling (LHS) is used to generate reduced samples, which accurately represent long-term meteorological conditions for WDR. Based on cumulative distribution functions, the generated samples with LHS are a subset of actual measured data, independent of the temporal information, and are clustered around values of highest frequency. Computational fluid dynamics (CFD) simulations of WDR are performed on a historical building located in Victoria, BC, Canada based on a previously validated methodology, determining the parts of facade receiving the highest WDR load. The sensitivity study shows that a sample size of 200 with LHS, corresponding to around 0.2% of the total measured data and 4.1% of the data during rainfall, is sufficient to replicate successfully the spatial distribution of WDR with a maximum discrepancy of 7%. The reduced samples can be easily modified to model various scenarios with respect to the climate change. The change in WDR load is presented for different scenarios in terms of rainfall intensity and wind speed as predicted by future climatic conditions. The results indicate that the future WDR load depends highly on the wind speed conditions, even when wind speed is kept constant and only rainfall intensity is varied.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».