Development of a Risk Assessment Module for Bridge Management Systems in New Jersey
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
Bridges are critical for the mobility of our society and its economic growth. Available funds for bridge repair, maintenance, and rehabilitation are limited. The Moving Ahead for Progress in the 21st Century Act (MAP-21) introduced several new parameters for improving the management of bridge assets, such as bridge element evaluation, life-cycle analysis, and risk-based performance indicators. Risk-based methods account for the uncertainties embedded into engineering variables and long-term evaluations. The objective of this paper is to identify, assess, and quantify structural risk components to bridges using probabilistic risk methodologies and data from the National Bridge Inventory database. The aim is to simplify the implementation of risk-based ranking procedures into bridge management system packages according to the MAP-21 vision. Therefore, machine learning techniques are employed to facilitate the introduction of probabilistic risk methods into bridge management systems. The procedure is described for seven hazards that are pertinent to bridges in New Jersey: overloading, fatigue, seismic, flooding, scour, vehicle and vessel collision. Risk values are computed in monetary terms to homogenize the comparison among bridges for different hazards. The analysis is performed on 5,534 bridges, showing that seismic events and fatigue resulting from truck overloading are the most dominant hazards in New Jersey, for which about 97.0% and 29.0% of bridges show some level of risk. The main limitation of the proposed framework is the lack of accurate data from bridge inventories necessary to thoroughly perform a fully structural probabilistic analysis of bridges and to minimize engineering judgment.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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