Review of Resilience Evaluation Methods in Operational Highway Tunnel
Notice bibliographique
Résumé
The research on tunnel resilience has garnered increasing attention in recent years. Owing to prolonged exposure to natural or anthropogenic factors, the resilience level of many highway tunnels is continuously declining, rendering them susceptible to sudden accidents and challenging to restore postincident. Currently, although several scholars have employed diverse evaluation methods in their research on tunnel resilience, there is a lack of summarization and integration of these methods. In addition, there is also a dearth of a unified evaluation index system and framework for different types of natural or man‐made disasters, which are crucial for advancing the development of tunnel resilience evaluation. This study commences with an introduction to the origin of resilience and the definition of tunnel resilience, and comprehensively summarizes commonly employed evaluation methods. Subsequently, this study centers on the resilience evaluation methods in tunnel engineering and analyzes their strengths and weaknesses. Besides, the distribution of resilience metrics in current researches is analyzed and the detailed explanations for the diverse choices are provided. According to the results and deficiencies of existing research, combined with the author’s perspectives, the index systems, evaluation frameworks, and resilience improvement strategies are proposed, which can be applied to the resilience evaluation of various operational highway tunnels under diverse disaster scenarios. Furthermore, this study also presents a case study on the evaluation of tunnel fire resilience to validate the applicability of the research findings. These findings aim to provide a guide for the operation and maintenance management of the operating tunnels and improve the scientific decision‐making level of tunnel maintenance.
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 | 0,011 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».