Air Transportation Infrastructure Robustness Assessment for Proactive Systemic Risk Management
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
A key attribute of resilience, robustness serves as a predictor of infrastructure system performance under disruptions, thus informing proactive infrastructure risk management. A literature review indicated that previous studies did not consider some key factors that can influence the robustness of air transportation infrastructure networks (ATIN) and thus their (system-level cascade) systemic risk management processes. In this respect, the current study first assesses existing methodologies and then develops a new methodology to quantify the robustness of ATIN. Specifically, based on integrating travel time and flight frequency, the study develops alternative best-route and link-weight approaches to assess key ATIN robustness measures and relevant operating cost losses (OCL). In order to demonstrate the practical use of the developed methodology, the robustness and the associated OCL of the Canadian domestic air traffic network are evaluated under random failures (i.e., disruptive events that occur randomly) and targeted threats (i.e., disruptive events that occur deliberately). The analysis results show that the network robustness is influenced by the utilized evaluation approach, especially after 20% of the network components become nonoperational. Overall, the methodology developed within this study is expected to provide ATIN policymakers with the means to quantify the network robustness and OCL, and thus enable ATIN resilience-guided proactive risk management in the face of natural or anthropogenic hazard realizations.
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