Quality Function Deployment Based Method for Condition Assessment of Concrete Bridges
Notice bibliographique
Résumé
Bridge condition assessment is essential step in bridge management. To ensure safety and serviceability of bridge infrastructure, accurate condition rating methods are needed to provide basis for bridge Maintenance, Repair and Replacement (MR&R) decisions. In Canada and the United States, visual inspection and close-up observation are the common practice to detect surface defects and external flaws. Non-Destructive Testing (NDT) and evaluation technologies are used during visual inspection to reveal subsurface defects. It is paramount to develop systematic methods to capture inspection data and to produce robust condition rating and MR&R decisions. The current research reviews current practice in bridge condition assessment and discusses the main deteriorations and defects identified during visual inspection and NDT and evaluation. Further, the research discusses limitations of available bridge condition assessment models and introduces the Quality Function Deployment (QFD) theory as a novel approach to the area of bridge management. The principles of the QFD theory are demonstrated with a real case study and the potential of using the approach in the area of bridge condition assessment is discussed. Different defects correlations are measured based on an expert’s opinion and are included in the developed QFD method. Wasserman’s normalization technique is embedded in the method to take into account interdependency between the different defects. The QFD method recommendations are compared to other condition assessment methods and validated against twenty bridge projects which were assessed by bridge inspection teams. The validation showed consistent results between inspection teams’ assessments and the QFD method recommendations.
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 | 0,058 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».