Pavement Risk Assessment for Future Extreme Precipitation Events under Climate Change
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
Pavement infrastructure is experiencing unanticipated climate conditions caused by global warming. Extreme weather events, such as extreme precipitations, are increasing in intensity and frequency, creating rising concern in pavement vulnerability and resilience analysis. Previous design approaches based on historical climate data may no longer be adequate for addressing future conditions. To promote pavement resilience under climate change, assessing pavement risk for extreme events is essential for prioritizing vulnerable infrastructure and developing adaptation strategies. The objective of this study is to develop a quantitative evaluation methodology for assessing pavement risk from extreme precipitations under climate change. Hazard analysis, fragility modeling, and cost estimation are the three major components for risk evaluation. An ensemble of 24 global climate models is used for predicting future extreme precipitations under various climate-forcing scenarios. The Mechanistic-Empirical Pavement Design Guide is employed to simulate performance change for performing fragility modeling. Risk assessment models considering a full range of hazards were used to quantify risk of asset value loss over specified analysis periods. Results indicate that future extreme precipitation events are expected to cause an increased medium risk of asset value loss. However, high uncertainties are involved in the estimation owing to variations in predicted climates. Major pavement damages do not necessarily equate with highest risk because the probability of occurrence of major damage is relatively lower. The proposed approach provides a practical tool for analyzing the interaction among extreme precipitation levels, pavement designs, damage states, occurrence probability, and asset value at risk.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,000 | 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