A dynamic Bayesian network approach to characterize multi-hazard risks and resilience in interconnected critical infrastructures
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
A new paradigm for risk assessment has emerged, recognizing the escalating frequency and severity of disasters associated with natural hazards. Conventional risk assessments often fail to capture the dynamic and interconnected nature of disruptions within infrastructure systems during failure scenarios. This study introduces a Dynamic Bayesian Network (DBN) framework, designed to assess risk in interconnected infrastructure systems under complex hazard scenarios. The framework addresses the limitations of static models by dynamically capturing the progression of disruptions during failure and the restoration process during recovery. Using a case study in Saint Lucia, a Caribbean Island susceptible to natural hazards, this study examines the complex network of critical infrastructure. The DBN framework explores various failure scenarios, highlighting the cascading effects across infrastructure sectors, and captures the probabilistic hazard conditions and functional dynamics during disruption and restoration processes. Results from the case study illuminate the heightened vulnerability of the international airport and tourism sectors, emphasizing the interdependencies and propagation of failures within the infrastructure system. By investigating failure scenarios, the DBN approach characterizes the complex interactions between infrastructure systems, providing valuable insights into how multi-hazard events affect interconnected networks. These findings underscore the critical need for dynamic, real-time risk assessments that consider both short-term disruptions and long-term recovery processes. The study highlights the urgency of embracing dynamic risk assessment methodologies and offers a foundation for developing adaptive, multi-hazard risk assessment strategies to enhance the resilience of critical infrastructure networks.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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