Long term cost analysis of alternate fatigue management strategies for steel highway bridge welds
Notice bibliographique
Résumé
In order for bridge managers to evaluate the consequences of adopting new fatigue retrofitting techniques and management strategies on the cost of maintaining their bridge infrastructure, simple predictive models are needed, which can be easily integrated with the analytical tools that are already being using to model other deterioration processes (e.g. corrosion, road surface wear). These models must be capable of predicting the effects of inspection and retrofitting events with a sufficient degree of accuracy to ensure that optimal management strategies are correctly identified. Considering the large number of fatigue-prone welds and structures that may be present in a road network, minimizing computational effort is also critical. In this paper, a simple Markov chain deterioration model, similar to those currently used in bridge management systems (BMSs) to model deterioration due to other processes, is used to determine critical cost ratios for selecting optimal fatigue management strategies for steel highway bridge welds, First, the model is briefly described. A study is then presented, wherein the long term costs associated with different management strategies are related to parameters such as the equivalent stress range, traffic volume, and intervention costs for a generic weld detail. The results of this study are used to establish critical cost ratio contour plots, which can be used for the selection of the optimal management strategy. A limited number of strategies are investigated, in order to demonstrate an application of the presented methodology. They are composed of different intervention types, including: inspection, repair, replacement, and the use of post-weld 'peening' treatments.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».