MétaCan
Menu
Retour à la cohorte
Enregistrement W2331407279 · doi:10.1061/41050(357)14

Risk-Based Rapid Visual Screening of Bridges

2009· article· en· W2331407279 sur OpenAlexaffabout
Solomon Tesfamariam, S. M. Modirzadeh

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Maintenance and Monitoring
Établissements canadiensUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésVulnerability (computing)Bridge (graph theory)Seismic riskFuzzy logicFragilityProbabilistic logicComputer scienceHazardPrioritizationRanking (information retrieval)Seismic hazardPlan (archaeology)Analytic hierarchy processScheme (mathematics)Risk managementReliability engineeringRisk analysis (engineering)EngineeringCivil engineeringOperations researchComputer securityArtificial intelligenceGeologyMathematics

Résumé

récupéré en direct d'OpenAlex

Seismic resiliency of new bridges has improved over the years due to improved seismic codes and design practices. However, the vulnerability of seismically deficient bridges, coupled with aging and deterioration, poses a significant threat to life safety and integrity of lifeline systems. It is economically not feasible to retrofit the entire seismically deficient bridges. Therefore, there is need for a comprehensive plan to identify critical bridges and prioritize their retrofit and upgrade requirements. A risk-based seismic evaluation technique is proposed in this paper to develop a ranking scheme for bridges. The complex interaction between seismic hazard, bridge vulnerability and consequence of failure is handled in a hierarchical manner. Some of the input risk parameters, expressed as qualitative and quantitative quantifiers, are transformed into commensurable values. A fuzzy-logic based modelling technique is used to aggregate through the hierarchy and obtain final risk index for prioritization. The efficacy of the proposed method is illustrated with bridges in the British Columbia, Canada.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,633
Score d'incertitude au seuil0,291

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,218
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2009
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetInfrastructure Maintenance and MonitoringTravaux en français237 207