Seismic Resilience of Interdependent Built Environment for Integrating Structural Health Monitoring and Emerging Technologies in Decision-Making
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
The functionality of interdependent infrastructure and resilience to seismic hazards has become a topic of importance across the world. The ability to optimize an engineered solution and support informed decision-making is highly dependent on the availability of comprehensive datasets and requires substantial effort to ingest into community-scale models. In this article, a comprehensive seismic resilience modeling methodology is developed, with detailed multi-disciplinary datasets, and is explored using the state-of-the-science algorithms within the interdependent networked community resilience modeling environment (IN-CORE). The methodology includes a six-step chained/linked process consists of: (a) community data and information, (b) spatial seismic hazard analysis using next-generation attenuation, (c) interdependent community model development, (d) physical damage and functionality analysis, (e) socio-economic impact analysis and (f) structural health monitoring (SHM) and emerging technologies (ET). An illustrative case study is presented to demonstrate the seismic functionality and resilience assessment of Shelby County in Memphis, Tennessee, in the United States. From the discussion of results, it is then concluded that data from structural health monitoring and emerging technologies is a viable approach to enhance characterising the seismic hazard resilience of infrastructure, enabling rapid and in-depth understanding of structural behaviour in emergency situations. Moreover, considering the momentum of the digitalization era, setting an holistic framework on resilience that includes SHM and ET will allow reducing uncertainties that are still a challenge to quantify and propagate, supported by sequential updating techniques from Bayesian statistics.
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