A data-driven approach for quantifying reliability and resilience of transportation network
Notice bibliographique
Résumé
Bridges are critical transportation infrastructure components, serving as vital links for mobility and evacuation during and after hazard occurrences. Ensuring their reliability and safety is of paramount importance. Traditional reliability assessment methods for bridge networks rely on complex mathematical models, often resulting in time-consuming processes. This paper leverages the power of data-driven algorithms to streamline and enhance the reliability and resilience evaluation of this infrastructure. A novel data-driven method of approach is developed to quantify the resilience of a transportation network within a community to facilitate proactive maintenance and decision-making processes. An ensemble of machine learning algorithms is used to train the predictive model and test its prediction accuracy to mitigate the risk of overfitting. Feature engineering techniques are employed to extract relevant information from the dataset, further enhancing the model’s performance. Subsequently, the estimated reliability indices of bridges are used to perform network analysis and quantify the resilience of the network and its components by accounting for dependency between network components and the degree of centrality of each component for the mobility of the network. The proposed method is illustrated using real-world data for bridges and transportation infrastructure from a US community. The results show that the proposed approach possesses several features. Firstly, its capability to identify vulnerabilities in the transportation network helps inform decisions about prioritizing maintenance efforts during the life cycle of bridges (i.e., prior to extreme hazards) and prioritizing recovery following damaging events. Secondly, its flexibility to adapt to changing environmental conditions and evolving structural characteristics underscores its potential to be integrated into existing bridge management systems, providing a valuable tool for infrastructure stakeholders to make data-driven decisions and allocate resources efficiently.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».