Prioritizing Bridge Rehabilitation Plans through Systemic Risk-Guided Classifications
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
Although highway bridges are among the most critical components in transportation infrastructure systems, different jurisdictions typically allocate only limited annual budgets to address issues pertaining to aging and deteriorating bridges. In addition, most published studies have focused only on component-by-component risk analysis (i.e., risk of individual bridge failure/closure/becoming a safety hazard) to inform bridge rehabilitation project managers. However, the network-level cascade (systemic) impacts of an individual bridge(s) closure on the network-level are often dealt with through, for example, detouring, rather than a systemic-risk-guided strategy. In this respect, the current study first utilizes a complex network theoretic approach to quantify the topological characteristics of bridge networks and subsequently their network-level robustness and node vulnerability. These measures are then integrated into a multiscale (i.e., component and network) bridge classification platform guided by the systemic-risk consequences of possible bridge closure on the entire network. To demonstrate its application, the platform is operationalized in Canada on the Province of Ontario’s bridge network. It is found that component- and network-level measures are not correlated, which highlights the importance of considering the network-level measure to inform bridge rehabilitation decision making. The current study calls for a paradigm shift in the strategy guiding prioritizing bridge rehabilitation projects to account for the risk imparted by specific bridge criticality on the entire network, rather than solely on the individual bridge’s structural conditions.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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