Comparison of Multi-Criteria Group Decision-Making Methods for Urban Sewer Network Plan Selection
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
Selecting a suitable sewer network plan for a city is a complex and challenging task that requires discussion among a group of experts and the consideration of multiple conflicting criteria with different measurement units. A number of multi-criteria decision-making (MCDM) methods have been proposed for analyzing sewer network selection problems, each having their own distinct advantages and limitations. Although many decision-making techniques are available, decision-makers are confronted with the difficult task of selecting the appropriate MCDM method, as each method can lead to different results when applied to an identical problem. This paper evaluates four different multi-criteria decision-making methods, which are the Analytic Hierarchy Process (AHP), the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS), Elimination Et Choix Traduisant la REalité (ELECTRE III) and the Preference Ranking Organization METHods for Enrichment Evaluations II (PROMETHEE II), for one sewer network group decision problem in the early stage of sewer water infrastructure asset management. Moreover, during the implementation of different MCDM methods, the Delphi technique is introduced to organize and structure the discussions among all the decision-makers. The results of the study are examined based on each method’s ability to provide accurate representations of the decision-makers’ preferences and their experience implementing each method. As a conclusion, decision-makers identify PROMETHEE II as their favorite method, AHP is more time and energy consuming and results in a number of inconsistencies, while TOPSIS loses information during vector normalization for multi-dimension criteria, and ELECTRE III’s results are inconclusive.
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 | 0,007 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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