Fuktindekser som hjelpemiddel i fuktprosjektering
Notice bibliographique
Résumé
Det siste århundret har årsmiddeltemperaturen i Norge steget med omtrent 1°C på grunn av klimaendringer og dette har også ført til hyppigere og kraftigere nedbør. Hovedårsaken til fuktskader i yttervegger i Norge i dag skyldes nedbørspåkjenning. Et varmere og våtere klima vil få store konsekvenser for andelen fuktskader i bygninger i fremtiden dersom det ikke innføres ytterligere tiltak for klimatilpasning i dagens fuktprosjektering. I mål om klimatilpasning er klimaindekser ansett å være et nyttig verktøy. I dag er slagregnindeksen (I_Θ) og råteindeksen (SI) allerede kjent i Norge. I Canada er det utviklet en fuktindeks, Moisture index (MI), som er satt sammen av luftens tørkepotensiale (DI) og fukttilførsel (WI). MI er anvendt i bygningsregelverket i Canada og det er derfor ønskelig å vurdere om den kan anvendes i den norske fuktprosjekteringen. \n\nI denne masteroppgaven er I_Θ, SI og MI beregnet basert på klimaparametere i Moisture Design Reference Year (MDRY) for 12 byer i Norge for å vurdere hvordan MI rangerer klima sammenlignet med de to andre fuktindeksene. Disse klimaparameterne er de samme som er anvendt i fuktsimuleringsprogrammet WUFI Pro. MI utledes basert på 5 ulike måter å normalisere indeksen på. Sensitivitetsanalyser er brukt for å belyse forskjellene mellom fuktindeksene. Det gjennomføres fuktsimuleringer av responsen til en ett-trinnstettet pusset fasade mot verste fasaderetning for slagregn for seks ulike byer i WUFI Pro. Simuleringene gjennomføres med og uten fuktkilde for gjennomtrenging for slagregn. To utvalgte fuktindikatorer; gjennomsnittlig vanninnhold (VI) i OSB-platen midt i veggen og muggvekstindeksen (MuI) i ytterkant av platen benyttes til å rangere responsen til ytterveggen. Disse sammenlignes mot fuktindeksenes rangering av byer. I tillegg er beregningsgrunnlaget MDRY klimafilene vurdert opp mot normalperioden 1961 – 1990 og 1991 – 2020 for å vurdere endring i ekstremitet i fuktdimensjoneringsårene.\n\nBeregningene viser at valg av normalisering og hvordan MI defineres har stor innvirkning på rangeringen av klimapåkjenninger i byer. Blant de fem valgte måtene å utlede MI, vil MIs rangering der fukttilførselen settes lik verste fasaderetning mot slagregn ha best korrelasjon med rangeringen til de to fuktindikatorene i simuleringene. I_Θ alene viser seg å ha best korrelasjon med fuktindikatorenes rangering. Det største avviket i MIs rangering sammenlignet med de to andre fuktindeksene, er rangeringen av kalde klima. Karasjok rangeres høyere blant de 12 byene basert på MI enn SI og I_Θ. Dette skyldes at luft med lave temperaturer har liten evne til å oppta vanndamp og derfor har dårligere tørkekapasitet. På grunn av klimaendringer de siste tredve årene er MDRY klimafilene som er benyttet i dagens fuktprosjektering mindre ekstreme sammenlignet med den nyeste normalperioden. \n\nBasert på analysene i oppgaven synes det ikke at MI tilfører fuktprosjekteringen noe utover det I_Θ og SI allerede gjør i dag. Det anses som viktigere å fokusere på å oppdatere både MDRY klimafilene og I_Θ som i dag er basert på perioden 1961 - 1990. I tillegg burde det utvikles klimapåslag for I_Θ for å ta hensyn til fremtidige klimaendringer.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,059 | 0,025 |
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 ».