MétaCan
Menu
Retour à la cohorte
Enregistrement W4290701547 · doi:10.1061/(asce)is.1943-555x.0000712

Infrastructure Asset Management System Optimized Configuration: A Genetic Algorithm–Complex Network Theoretic Metamanagement Approach

2022· article· en· W4290701547 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Infrastructure Systems · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Maintenance and Monitoring
Établissements canadiensMcMaster UniversityNipissing University
Organismes subventionnairesnon disponible
Mots-clésComponent (thermodynamics)Asset (computer security)Computer scienceRisk analysis (engineering)RestructuringInformation systemAsset managementResilience (materials science)Social connectednessEngineeringComputer securityBusiness

Résumé

récupéré en direct d'OpenAlex

An effective infrastructure asset management (AM) system is crucial for utilities, city officers, government agencies, and other asset-owning organizations to facilitate navigating the numerous challenges associated with operating and managing infrastructure assets. In this paper, the AM system itself is represented as a complex network (comprised of nodes and links) that describes the major components necessary for its operation within an organization and the information connections between such components. ISO 55001, a widely accepted international standard, specifies the requirements for an effective AM system and outlines the criticality levels of different system components—reflected in the corresponding network by the link weights. The main challenges facing managing an AM system (i.e., metamanagement) pertain to (1) information asymmetry (i.e., not relying on consistent information for decision making) between AM system components; and (2) information overload (i.e., excessive information undermining decision making) within the AM system components. These challenges cause systemic risks (possibility of dependence-induced disruptions) within the system network due to the connectedness of system components. Systemic risks can be mitigated through built-in network resilience by restructuring the system component connections. Such network reconfiguration presents a complex nonconvex optimization problem with multiple potential solutions depending on the number of new connections to be added to the AM system, the length of those connections, and the target risk mitigation level. Through this metamanagement (managing the management system) lens, a genetic algorithm approach was employed to explore the optimal AM network configurations considering different objective functions. These objective functions were based on different complex network measures including the betweenness-, closeness-, and eigenvector-centrality, as well as the vulnerability index. The devised objective functions were employed to the cases of adding 1 to 15 links only to limit network overconnectedness (i.e., information overload). Considering all objective functions evaluated, adding a small number of links (fewer than five) provided a significant reduction in systemic risk (18% to 49%). Finally, managerial insights are presented to explain how to employ the developed approach to mitigate the systemic risks within an organization’s AM system based on different metrics valuations and stakeholder inputs.

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 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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,791
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,005
Tête enseignante GPT0,193
Écart entre enseignants0,188 · 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