Sustainable Infrastructure Is a Two-Way Street: Balancing Environmental and Condition Performance Goals
Notice bibliographique
Résumé
Transport agencies are under increasing pressure to mitigate the global warming impact of our pavement systems. This objective, however, must be carefully balanced with other performance metrics of interest (e.g., pavement condition) for federal and state agencies. This paper details a network-level tool aimed at supporting transport agencies in achieving two competing objectives: (1) maximizing the number of pavement segments in a good state-of-repair; and (2) minimizing the global warming impact of the network. The stochastic optimization model follows a two-stage bottom-up approach, where optimal policies are learned for individual facilities, and those decision-rules are subsequently used to guide the allocation of resources across the network. The model is applied to a realistic roadway network composed of 159 miles of pavement segments based on data made available via the Highway Performance Monitoring System. The case study results highlight that, over a 20-year analysis period, maximizing the condition of pavement assets across the network increases its expected global warming impact by 1% to 8%. The results also highlight that, invariant to the selected objective and/or available budget, increasing the allocation of funds toward rehabilitation activities rather than reconstruction treatments improves the overall condition of the network by as much as 25% and reduces its global warming impact by up to 7%. The results of the case study provide decision-makers with important insights around the impact of pavement management performance goals and budgetary policies on the global warming impact of pavement systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».