Integrated Condition-Based Rating Model for Sustainable Bridge 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
In North America, common practices in bridge condition assessment include visual inspection and nondestructive evaluation (NDE) techniques, and results are reported as condition ratings of the bridge components. Assigning a specific condition rating to the component is a difficult task, especially when the threshold values defining the borderlines between the different ratings are not specified. These thresholds are subjectively assigned based on the judgment and experience of the inspector or expert, and can influence decisions on maintenance, repair, and replacement (MRR) of bridges and impact their safety and serviceability. Quality inspection data and accurate condition assessment and rating are the basis for determining appropriate MRR decisions. Thus, in this paper, a novel quality function deployment (QFD)-based approach for assessing bridges is proposed to develop an integrated condition rating based on data collected from visual inspection and ground penetrating radar (GPR) technology, while identifying clear thresholds between the different ratings. The k-means clustering technique, used to define the rating thresholds, is one of the unsupervised learning algorithms that solves the subjective determination of the threshold values problem. This work used four case studies on bridges in the Province of Quebec. The integrated condition model produced ratings of 0.48, 0.49, 0.37, and 0.15 for the four case studies. The developed rating model represented by an integrated condition index was validated with an average validity percentage greater than 81%. The proposed method is expected to advance the state of the art for bridge condition assessment and rating by providing an objective means for making proper MRR decisions.
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