A novel technique for multi-objective sustainable decisions for pavement maintenance and rehabilitation
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
To maintain pavement in good condition while considering financial costs and sustainability, it is necessary to develop a comprehensive pavement management plan. Pavement Maintenance and Rehabilitation (M&R) consists of two essential components: firstly, predicting the pavement condition within a specified timeframe, and secondly, employing an appropriate optimization algorithm. This study utilized three ensemble learning techniques including extreme gradient boosting, categorical boosting, and light gradient boosting machine to develop accurate predictions about the pavement condition. Subsequently, the most accurate prediction technique, which was extreme gradient boosting, was combined with non-dominated sorting genetic algorithm III which is a multi-objective metaheuristic optimization algorithm, resulting in a hybrid technique that offers highly accurate multi-objective maintenance and rehabilitation planning. Although previous studies neglected important criteria such as road closure in the optimization process, this study takes into account four objective functions including greenhouse gas emission, M&R cost, pavement condition, and road closure to be minimized over a 5-year program. This process generated 52 non-dominated optimal solutions known as the Pareto front. To compare and rank various optimal maintenance and rehabilitation plans, grey relational analysis was employed. The results suggested that there is a direct correlation between M&R costs and GHG emissions. Minimizing only pavement conditions in the planning can significantly increase GHG emissions, M&R costs, and road closure. Implementing preventive M&R actions can reduce M&R costs and overall road closure while light and medium rehabilitation actions are recommended to optimize the condition of pavements.
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 | 0,001 |
| 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