Supplementary files for "Using Digitized Building and Weather Records to Improve the Accuracy of Ground to Roof Snow Load Ratio Estimations"
Notice bibliographique
Résumé
Reliability targeted snow loads (RTLs) measure the weight in accumulated snow (i.e. snow load) that a roof is required to support to ensure the probability of failure is suf- ficiently low. This calculation has historically relied upon a probability distribution that characterizes the ratio between the annual maximum ground snow load to the annual max- imum roof snow load, a quantity referred to as Gr. The best available data for estimating Gr comes from Canadian case studies from the 1950s and 1960s. However, much of the data was never digitized, with only approximations of data being made available in scanned versions of printed graphs. As a result, existing models for Gr are based upon limited information that often fails to account for the interaction between a structure’s geometry and the surrounding environment as it relates to roof snow retention. This thesis digitizes data from these Canadian case studies and develops new models of Gr that better account for the effects of building geometry and wind speeds on roof snow retention. Using the dig- itized Canadian data, these new models improve the prediction accuracy in Gr compared to previous modeling efforts. To apply models from Canadian data to use in the United States, gridded estimations of weather variables are used to model Gr in place of digitized data from the Canadian reports. These gridded estimations of weather data do not improve prediction accuracy like the models using the digitized data, suggesting that site-specific variations in wind and exposure effects not captured in gridded weather maps are necessary for accurately predicting Gr.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 ».