Fuktindekser som hjelpemiddel i fuktprosjektering
Bibliographic record
Abstract
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.
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 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.059 | 0.025 |
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".