Sustainable Infrastructure Is a Two-Way Street: Balancing Environmental and Condition Performance Goals
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
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.
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 | 0,000 |
| 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