Prioritize Your Capital Spending: Make Informed Decisions Using Non-Destructive Acoustic Testing
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
This paper aims to provide a high-level structure for asset managers to choose appropriate technologies. It will describe an example of where this structure was recently used and how it is going to be applied in subsequent decisions. The water service center (WSC) in Flint, Michigan has aging infrastructure and a limited capital budget. The current asset management program is reactive in nature, making it more challenging to spend WSC’s limited funds in the right place at the right time. Focusing on their linear assets (buried pipes), the WSC would like to improve its asset management program, to be able to determine which pipes need the most attention and come up with a rehabilitation or replacement plan based on their limited capital improvement budget. The method chosen by the WSC was to separate all data sets into different tiers of information, forming a pyramid. Each tier becomes progressively more detailed as higher resolution investigation methods are applied. Higher resolution and more detail come at a cost because these types of investigations are generally more expensive per unit length, can be invasive and might require disruption of pipe service. The philosophy behind the pyramid approach is to use the lower tiers to find system-wide trends and identify mains that have high risk and consequence of failure. Subsequent tiers are used to improve confidence and resolution in the data. It is recommended that higher tier technologies are only applied if the information from the previous tier suggests that additional testing is needed or if more information is required to make an informed decision.
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 | 0,000 | 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 découle