Resilience of Industrial Buildings to Wildland-Urban Interface Fires
Notice bibliographique
Résumé
Abstract Forest fires have affected the Wildland-Urban Interface (WUI) in the last years with greater violence, causing damage to houses, industrial and commercial buildings. Businesses face the same fire hazard as houses but with a much greater potential due to labour interruption, job losses, and tax revenue impacts. In Canada, forest fires affected oilsand camps in 2011 and 2016, disrupting oil and gas production and damages of billions of Canadian Dollars. Camp Fire in 2018, the most destructive forest fire to date in the United States, destroyed houses, commercial buildings and other structures. In Portugal, the 2017 Large Forest Fires caused damages to almost 600 industrial buildings in the WUI and million euros losses. Assessing post-fire damage provides valuable information for future planning, fire risk mitigation, and improving fire resilience in the built environment. Considering WUI fires’ economic and social impact in industrial areas is essential to better understand this particular situation. In this sense, following the forest fires of 2017 in Portugal, a field research was conducted to assess the type of industrial building damages endured and know which construction systems were employed in their repair. The assessment considered the type of structure, materials used in facades and roofs, type of openings, ground waterproofing of uncovered areas, and material storage usage. There was also a verification of the materials used after the rehabilitation. This last stage concludes that building fire regulation needs to change for mitigating the risk of industrial buildings getting destroyed by Forest Fires in the WUI.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».