MétaCan
Menu
Retour à la cohorte
Enregistrement W4309121618 · doi:10.1061/9780784484449.041

Understanding the Consequences of Wellington’s Infrastructure Vulnerability to a Major Earthquake

2022· article· en· W4309121618 sur OpenAlexaff
Richard Mowll, Vinod K. Sadashiva, Anthony Delaney, Fran Wilde, C. B. Crampton, Ayolt Wiertsema, Craig Muirhead

Notice bibliographique

RevueLifelines 2022 · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Resilience and Vulnerability Analysis
Établissements canadiensNova Scotia Department of Energy
Organismes subventionnairesnon disponible
Mots-clésCritical infrastructureInterdependenceResilience (materials science)Vulnerability (computing)StakeholderNatural hazardGovernment (linguistics)Variety (cybernetics)Stakeholder engagementEnvironmental planningVulnerability assessmentComputer scienceEngineeringEnvironmental resource managementBusinessRisk analysis (engineering)Computer securityPsychological resilienceGeographyPolitical scienceEnvironmental science

Résumé

récupéré en direct d'OpenAlex

The Wellington Lifelines Group (WeLG) is comprised of the lifeline utilities serving the Wellington region of New Zealand. They share a collective understanding that Wellington’s infrastructure is vulnerable to natural hazards, which was gained from previous studies based on a variety of modelling and expert opinion approaches. These initial studies provided a foundation for deeper analysis to be undertaken around the vulnerability of the region’s infrastructure to earthquakes. The focus was on the likely damage states, interdependencies, and direct and wider economic consequences of a potential major earthquake in the region. The in-depth study used computer modelling and focused stakeholder engagement to quantify the improved resilience and economic benefit of the construction of a package of infrastructure upgrades. The study informs consideration of the mitigations that could be applied to address the core issues—short-term (emergency planning works), medium term (policy change at central government level), and long-term (the potential construction of new, resilient, infrastructure). This paper outlines this WeLG project, including the objectives, process, and intended outcomes.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,519
Score d'incertitude au seuil1,000

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)0,0010,000

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 Opus0,025
Tête enseignante GPT0,248
Écart entre enseignants0,223 · 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.

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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLifelines 2022Même sujetInfrastructure Resilience and Vulnerability AnalysisTravaux en français237 207