Modeling Earthquake-Induced Landslide Risk for Mountain Railway Alignment Optimization
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
Construction investment and geological risk of a railway project are significantly influenced by the alignment design. Thus, for railways in earthquake-prone regions, the seismic risks should be addressed at the alignment decision-making stage. However, this is a challenging problem that should balance cost and risk appropriately. Especially in mountainous regions, besides direct ground shaking, earthquake-induced landslides greatly threaten railways’ construction and operation. Unfortunately, no existing studies in this field have accounted for that factor. In this paper, a novel potential earthquake-induced landslide risk model is proposed for mountain railway alignment optimization. In this model, a probabilistic seismic hazard analysis, critical acceleration computation, and landslide displacement estimation are first integrated. Together with the consideration of railway structures’ damage states, damage ratios, and restoration functions, the direct and indirect monetary losses caused by landslides to railways with specified alignments are evaluated. Then, the aforementioned analyses are incorporated into a previous cost-risk model and solved with a particle swarm optimization (PSO) algorithm. Finally, the model’s effectiveness is tested in a complex railway example. It is found that the studied region is landslide prone, and railway structures, especially bridges, are vulnerable to landslides. Also, a biobjective analysis reveals the alignments can be more sensitive to risks than to costs. Lastly, according to the detailed engineering outputs, the computer-generated alignment is 11.8% less expensive and 27.2% safer than the best manually designed solution.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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