Resilience-Based Restoration Sequence Optimization for Metro Networks: A Case Study in China
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
Metro station restoration sequence optimization is crucial during post-disaster recovery. Taking both budget limitations and repair time uncertainty into account, this paper proposes a resilience-based optimization model for choosing an optimal restoration sequence scheme, maximizing the global average efficiency, under the condition that the network accessibility meets given resilience requirements. Evolutionary algorithm NSGA-II is applied to solve the model. A Case study in Nanjing and Zhengzhou gives insights into restoration sequence strategies for decision-makers. Results show that a ring network is more robust than a radial network under the same scale attack. Under limited budget, the optimal restoration sequence is closely related to the damaged stations’ location and repair time. Specifically, if damaged stations’ distribution is relatively centralized and transfer stations need more repair time, giving repair priority to transfer stations is not always the best strategy. If damaged stations’ distribution is relatively scattered and all stations’ repair time is the same, the station with a bigger node degree should be repaired earlier. However, this conclusion may be invalid if transfer stations repair time is far longer than others. Sensitivity analysis show that the total budget is more sensitive than one day’s budget in the entire restoration phase. However, in the emergency phase, increasing one day’s budget is more significant for shortening recovery time. The proposed model can contribute to effective and flexible decision-making for metro network restorations.
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 | 0,000 |
| 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 | 0,000 |
| 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 découle