Cross-Assets Trade-off Analysis: Why Are We Still Talking About It?
Notice bibliographique
Résumé
While strategic level transportation asset management need to be driven by cross-asset trade-off analysis, the literature has been lacking in the techniques and tools to support global optimization and trade-off across asset types. This paper presents a cross-asset optimization and demonstrates its application to the strategic, very long-term (20+ years) planning for mixed assets. The case study is based on actual and complete dataset of four types of transportation assets of the province of New Brunswick, Canada. The optimization and trade-off analysis for this paper was carried using a tool called TAMWORTH. The cross-asset trade-off approach in TAMWORTH is based on linear programming and innovative improvements that reduces the problem size, and facilitates rapid solution of the multi-period optimization problem. With these innovations, TAMWORTH is capable of applying global optimization to conduct cross-asset trade-off analysis for over 25 years for the full set of transportation assets. The case study results show that an objective function based on condition maximization outperforms a cost minimization objective at target level of conditions. The nature of trade-off of activities, both in type of treatment and asset, and the timing is very complex, and hence impossible to replicate using engineering judgement. Given the associated obvious economic gains of cross-asset trade-off analyses, it is worth the effort of adopting advanced analysis tools that deploys true mathematical optimization to support the strategic long-term planning in transportation asset management.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».