MétaCan
Menu
Retour à la cohorte
Enregistrement W4220717775 · doi:10.1155/2022/7303346

Assessing the Dynamic Resilience of Local Roads: A Case Study of Flooding in Wuhan, China

2022· article· en· W4220717775 sur OpenAlexvenueno aff
Zhenwu Shi, Zifeng Yang, Jie Liu

Notice bibliographique

RevueJournal of Advanced Transportation · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Resilience and Vulnerability Analysis
Établissements canadiensnon disponible
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNatural Science Foundation of Heilongjiang Province
Mots-clésResilience (materials science)Robustness (evolution)Flooding (psychology)Metric (unit)Computer scienceBenchmark (surveying)Transport engineeringChinaEnvironmental resource managementEnvironmental scienceEngineeringGeographyOperations managementCartography

Résumé

récupéré en direct d'OpenAlex

This study proposed a modified metric inspired by the well-applied “resilience-triangle” framework to integrate the resilience concept within the traffic speed. Firstly, for setting the evolving normal functionality, this study added the concepts of robustness loss and rapidity to characterize and compare the recovery processes of local roads and assess the corresponding resilience under different traffic operation conditions. Secondly, these different evolving resilience patterns provide a quantitative benchmark for detecting the links between resilience and traffic operating conditions and exploring its impact on total resilience. Finally, this study simulated and compared the dynamic evolution of the total resilience of local roads, which accurately captured the weak and poorly resilient road locations. Our findings indicated that the proposed metric was quite efficient and accurate in assisting stakeholders to prioritize the transport planning and the retrofit projects of some specific local roads, which could improve the resilience of overall transport system significantly.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,851
Score d'incertitude au seuil0,263

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,274
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetInfrastructure Resilience and Vulnerability AnalysisTravaux en français237 207