Hygrothermal modeling in mass timber constructions: Recent advances and machine learning prospects
Notice bibliographique
Résumé
This review paper provides a comprehensive overview of hygrothermal modeling with a focus on its application in mass timber construction, a sustainable and innovative construction approach. The first part of the review investigates the recent advancements in modeling heat and moisture transfer in wood-based materials, focusing on the key factors that influence moisture transport in wood. This section also covers the recent advances related to other bio-based building materials. The second part of the review discusses the latest findings in hygrothermal modeling applied to mass timber constructions, presenting various modeling approaches, tools, and simulation techniques. The discussion addresses how findings on heat and moisture transfer can enhance hygrothermal modeling of mass timber constructions, thereby improving the accuracy of simulations. Finally, the paper presents a thorough literature review on the application of machine learning in hygrothermal modeling. The emerging field of machine learning and its potential to enhance prediction accuracy for building assemblies is investigated. Key research gaps are identified with recommendations for future studies aimed at developing “white-box” simulation models tailored specifically for assessing hygrothermal performance of mass timber constructions. Such models could provide more reliable datasets, particularly useful for training black-box machine learning models. Additionally, the review highlights the potential of machine learning algorithms to accurately simulate complex heat and moisture transfers. It suggests further research to conduct a comparative analysis of algorithm performance and to explore integrating these “black-box” models with physics-based numerical models. • Review of state-of-the-art in hygrothermal modeling of mass timber structures. • Importance of hysteresis and liquid transport in accurate hygrothermal simulations of mass timber structures. • Deep learning algorithms show promises in enhancing prediction accuracy in hygrothermal simulations. • Research gaps and future research trends in enhancing hygrothermal modeling reliability identified.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».