Restoration modelling of Water Network under seismic hazard: Role ofElectrical and Power Network
Notice bibliographique
Résumé
The socio-economic wellbeing of a community depends on the proper functioning of its critical infrastructure system.Two most important critical infrastructure systems i.e., Water Network (WN) system, and Electrical and Power Network (EPN) system are crucial for the full functioning of the households, and socio-economic wellbeing of its citizens.After an extreme event, the functionality of the households will be reduced due to the damage in the WN and EPN.The functionality of the WN may also depend on the recovery of the EPN and should be considered for better estimates of the functionality recovery of interdependent critical infrastructure system.In this paper, the restoration modelling of WN is assessed under a maximum considered seismic hazard scenario, considering the dependence on the EPN network.The fragility and consequence functions are utilized for the damage and repair time assessment of each component.The repair times for each component are evaluated and the total repair time of the WN and EPN is determined.The WN and EPN restoration modelling is assessed through network models where the nodes represent the sub-components of a network and edges represent the connection restoration.In the considered example, the WN is fully repaired in 8 days after an earthquake event, while the EPN is fully repaired in 10 days.The WN will therefore be fully functional after 10 days since the power plant component of WN requires electricity from EPN network to pump water form reservoir to the water tank.It is therefore important to consider the dependencies of WN on the EPN for better estimates of functionality recovery of critical utilities to the households.
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 ».