Incentives and Barriers to Adopting Fluorine-Free Foams (FFFs) in Fire Training Facilities: Results of the First North American Survey
Notice bibliographique
Résumé
Fluorine-free foams (FFFs) have been introduced as alternatives to aqueous film-forming foams (AFFFs), which are based on per- and polyfluoroalkyl substances (PFASs). However, adoption of FFFs remains limited due to the lack of universal drop-in replacements and limited data on their health and environmental impacts. This study examined incentives and barriers to implementing FFFs in Fire Training Facilities (FTFs) to support the transition away from PFAS-based products. A survey was conducted from September 2022 to December 2023 across the U.S. and Canadian FTFs, including state-funded facilities, metropolitan fire departments, airports, military, and industrial brigades. Developed in partnership with fire service organizations, the survey assessed current foam use, motivations for transition, and associated challenges. Of all FTF training with Class B foams, 38% reported using FFF products. Primary incentives included environmental and health concerns, safety, and regulatory pressures. Key challenges were transition costs, training requirements, and uncertainties around disposal of foams. These findings highlight that while momentum toward FFF adoption is evident, ensuring products are genuinely PFAS-free and providing comprehensive training will be critical for effective, large-scale implementation. Fire training facilities can play a pivotal role in guiding this transition.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».