Investigating effective maintenance policies for urban networks of residential cities by using optimum and sensitivity analyses
Notice bibliographique
Résumé
Rural and urban networks have been rapidly expanding over time, so there is a rising demand for more optimum maintenance policies (MPs). The low traffic weights on the urban network of a residential city makes the appearance and density of load-associated distresses rare. This encourages the city’s transportation agency to depend on limited treatment choices and the subjective judgement of the agency’s engineers in managing maintenance and rehabilitation (M&R) activities. The engineers’ judgement reflects their extensive field experience and is usually used in this type of city rather than generating optimal computerized solutions. The present study proposes two alternative MPs that are more objective than the policy that depends on engineers’ judgement. One of the proposed alternative policies allows one M&R action along the planning horizon and the other allows multiple M&R actions. The optimum analysis showed that the preventive treatment is the optimal action for more than 50% of the network segments, which means that it plays a vital and nonnegligible role in improving the effectiveness of the M&R activities. Moreover, the sensitivity of the generated M&R plans to the initial performance of the pavement, traffic volume, and the objectives weights is investigated to determine the optimal time, suitable action, maintenance need, and optimal objective weights. The sensitivity analysis showed that varying objective weights leads to different optimal and rational solutions and the most cost-effective solution is not achieved at equal weights for objectives.
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 ».