Analyse multicritère des compositions de mur à ossature légère en bois
Bibliographic record
Abstract
Le concepteur d'une composition de mur à ossature légère doit considérer simultanément plusieurs critères de performance, en plus des exigences définies par la réglementation. Ce projet de recherche développe un cadre d'analyse multicritère permettant l'évaluation de compositions améliorées de mur extérieur préfabriqué à ossature légère en bois. Un exemple d'application compare cinq compositions de mur selon six contextes décisionnels situés à Québec. Le cadre d'analyse identifie des contraintes de conception et des critères de performance. Les contraintes de conception proposées pour assurer l'acceptabilité de compositions de murs dans le contexte d'utilisation étudié sont: la résistance structurale, la performance au feu, la résistance thermique, la permeance à l'air et les mesures obligatoires de gestion de l'humidité. Les critères de performance, définis ensuite pour évaluer les avantages d'un mur, sont la gestion de l'humidité, l'atténuation des bruits aériens, les coûts de construction, d'entretien et d'énergie liée au chauffage, et les impacts environnementaux. Des méthodes d'évaluation et des échelles de mesures sont étudiées pour chaque critère de performance. Pour l'évaluation des impacts environnementaux, un indice de performance environnementale est défini en comparant des indicateurs actuels. Suivant une approche d'analyse du cycle de vie, l'inventaire fourni par le logiciel ATHENA est agrégé selon trois modèles d'analyse d'impact: IMPACT 2002+, Eco-indicator 99 et TRACI. Les impacts relatifs des différents'composants du mur et de l'énergie d'opération sont comparés. En conclusion, l'indicateur de changement climatique est accepté comme un indice approprié de performance environnementale dans le contexte de l'étude. Le cadre d'analyse permet l'agrégation des évaluations obtenues selon chaque critère de performance, en intégrant les préférences d'un décideur. Quatre procédures d'agrégation multicritères (somme pondérée, MACBETH, ELECTRE II et PROMETHEE) sont utilisées pour ranger les alternatives selon de l'information quantitative et qualitative. L'étude montre que la sélection de la procédure d'agrégation la plus appropriée dépend de la nature des échelles de mesure utilisées. De plus, la comparaison de rangements résultants de différentes approches permet un choix plus éclairé. L'ensemble du projet confirme la pertinence d'appliquer une approche d'aide à la décision multicritère pour considérer simultanément différents aspects de la performance d'un mur à ossature légère en bois.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".