Reliability-Based Estimation of Traffic Interruption Probability due to Road Waterlogging
Notice bibliographique
Résumé
Floods affect road infrastructure physically and operationally, increase road user costs and road agencies cost, and eventually isolate communities. The research of the effect of floods on vehicular circulation is mainly focused on the stability of vehicles. There are few studies related to the regime of still water in the trafficability. In still water, the speed flow is low and does not compromise the vehicle stability. In this case, the vehicle’s wading height becomes relevant. This article proposes a procedure to estimate the traffic interruption probability caused by floods in roads, considering the still water regime. The procedure uses the first-order reliability method to estimate traffic interruption probabilities, based on the difference between the probability density functions (PDF) of still water depth (or waterlogging depth) and vehicle wading height. A specific procedure to estimate the PDF of wading height based in the geometric characteristics of light and heavy vehicles was developed. The PDF for water depth was estimated using water level profile simulation software. The procedure was applied in the south of Chile. The PDF of wading height was obtained from a record of 166,155 vehicles tagged in open road tolls. The PDF of waterlogging depth was obtained from discharge records of 10 fluviometric stations. 42 probability curves were obtained for six vehicle classes and return periods between 4 and 500 years. The still water depth obtained for traffic interruption probability of 1,0 varied between 70 and 90 cm for light vehicles and between 110 and 150 cm for heavy vehicles.
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 | 0,001 |
| 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 ».