Aiming for Adaptation: Developing a Quantitative Framework for Building Resilience in Response to Climate Change-Induced Grid Outages
Notice bibliographique
Résumé
Climate change intensifies the occurrence of extreme weather events, resulting in prolonged power outages and raising concerns about the resilience of buildings. This research addresses critical challenges in resilience development, including the lack of flexible definitions, cost-effective solutions, and financial evaluation metrics. A comprehensive framework was developed to assess building resilience through energy simulations, risk-based financial modeling, and occupant surveys on willingness to pay (WTP) for resilience improvements. The findings highlight a 70% enhancement in resilience metrics with proposed upgrades compared to code-compliant designs and an 88% reduction in financial risks under extreme weather conditions. Occupant surveys revealed a low WTP for resilience measures, steering the study towards cost-effective strategies. Pre-conditioning techniques improved thermal resilience by 18%, while integrating Phase Change Materials (PCMs) achieved up to a 50% combined improvement. This work contributes to the field by proposing a quantitative resilience framework with flexible Key Performance Indicators (KPIs) for building performance evaluation during outages. It advances modeling methodologies for resilience assessment and offers a multi-objective framework to integrate financial risks into decision-making. The research underscores the gap between WTP and the required investments, identifying scalable low-cost solutions through passive and active strategies. These solutions enhance thermal resilience and economic feasibility, supporting decision-makers in addressing climate change impacts effectively.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».