Identifying Rehabilitation Options for Optimum Improvement in Municipal Asset Condition
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sustainability in municipal services calls for a comprehensive asset management approach that balances between the needs of a growing portfolio of aging infrastructure and the increased demand(s) arising from new growth—all while staying within the financial means of the community. Best practices for municipal asset management require municipalities and communities to clearly define and state their respective goals that reflect their expectations in terms of level of service. The challenge lies in the fact that asset performance from a community perspective may be quite different from that of a municipal perspective. There is need to interrelate the two perspectives and accordingly determine the optimum quantity of improvement required in the condition of a municipal asset. A complete solution should lead to the most appropriate technique for asset rehabilitation. A methodology to address these issues is proposed and illustrated that identifies and adopts: (1) a model to express asset level of service, (2) a model to measure asset condition based on performance, and (3) a fuzzy logic–based method that maps the level of service to the asset condition rating. Based on the inputs of these models, a structured method for analyzing the capacity and suitability of rehabilitation techniques is designed. Case study of a water main is presented to illustrate the concept and to quantitatively demonstrate the implementation of the methodology. This methodology will assist municipal asset managers to quantify the condition improvement required in their assets, in order to meet service goals, and to thereby make more informed decisions on the type and priority of rehabilitation.
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.
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 | 0,001 | 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 | 0,000 |
| 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 découle