Hurricane vulnerability of coastal bridges using multiple environmental parameters
Notice bibliographique
Résumé
Hurricanes and other severe storms have proven themselves to be one of the major threats to transportation assets throughout the world, particularly to bridges located along coastal areas. Bridges as key components of transportation networks have shown to be vulnerable to hurricane-induced wave and surge forces. A large number of bridges along the U.S. Gulf coast suffered severe damage from recent hurricanes. Current risk-assessment practices include the fragility analysis of bridges based on a single hazard intensity parameter such as peak ground acceleration. However, this study investigates the vulnerability of highway bridges against hurricanes for multiple hazard parameters, not including the risk of substructure failure due to scour and/or erosion. The proposed hurricane vulnerability assessment methodology is applied to bridges along the surge-prone coastal regions of the state of Georgia. The surge-prone region is identified by the USGS SLOSH maps, and vulnerable bridges are selected based on the available NBI database. Nonlinear bridge models have been developed to apply a time history of wave loading as a function of the wind speed and storm water depth. Different combinations of bridge geometric and material parameters are generated to develop meta-models which cover a wide range of bridge configurations and wave/surge loads. This study yields a fragility function which describes the probability of failure for vulnerable bridges in terms of two environmental parameters: wind speed and storm water depth. The findings of this study will ultimately be beneficial to policy makers prioritizing recovery efforts and allocation of essential resources.
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 | 0,000 |
| 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 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 ».