A Hybrid Multi-Criteria Decision Making Model for Defect-Based Condition Assessment of Railway Infrastructure
Notice bibliographique
Résumé
The condition of railway infrastructure, such as rails, ballasts and sleepers, should always be monitored and analyzed to ensure ride safety and quality for both passengers and freight. It is hard to assess the condition of railway infrastructure due to the existence of various components. The existing condition assessment models are mostly limited to only assess track geometry conditions and structural condition of the railway infrastructure. Therefore, the present research develops a defect-based structural and geometrical condition model of railway infrastructure. The defects of each component are identified and examined through literature and experts in the field. Two main inputs are used to develop the model: (1) the relative weight of importance for components, defects and their categories and (2) defects severities. To obtain the relative weights, the analytic network process (ANP) technique is adopted. Fuzzy logic is used to unify all the different defect criteria and to interpret the linguistic condition assessment grading scale to a numerical score. Hence, the technique for order preference by similarity to ideal Solution (TOPSIS) is used to integrate both weights and severities to determine the railway infrastructure condition. The developed model gives a detailed condition of the railway infrastructure by representing a three-level condition state, for defect categories, components and an overall railway infrastructure. The developed model is implemented to five case studies from Ontario, Canada. The developed model is validated by comparing its results with the real case studies results, which shows similar results, indicating the robustness of the developed model. This model helps in minimizing the inaccuracy of railway condition assessment through the application of severity, uncertainty mitigation and robust aggregation
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 | 0,001 |
| 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 ».