Optimizing net present values of risk avoidance for mountain railway alignments with seismic performance evaluation
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
Railway alignment optimization in earthquake-prone mountainous (EPM) regions should quantify and trade off construction investments and seismic risks. Unfortunately, slight attention has been previously devoted to this trade-off. To this end, based on the FEMA-P58 methodology, a net present value (NPV) model of risk avoidance is presented and solved. In the model, alignment alternatives are first segmented into structural groups with different probabilistic seismic fragility curves, which are then used to generate structural repair cost and repair time curves. Afterward, a probabilistic seismic hazard curve is introduced to estimate the expected annual repair cost and time for computing railway direct and indirect seismic losses. Hence, the railway total annual loss caused by seismic activity can be obtained. Next, a benefit–cost analysis is performed to combine construction cost and seismic loss as the risk-cost NPV. To optimize this objective function, a particle swarm algorithm is used as the basic approach. For implementing the probabilistic seismic performance analysis, a Monte Carlo simulation (MCS) is employed as the risk assessment module. Furthermore, due to the computationally intensive nature of MCS, a CPU-based parallelization is embedded into the algorithm to expedite the search. Finally, the proposed model and method are applied to a representative real-world railway case in an EPM region. Their effectiveness is discussed and verified in five experiments, including algorithm convergence analysis, alignment solution comparison, seismic risk interpretation, computational efficiency test, and a specific sensitivity analysis.
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