Seismic Vulnerability Assessment and Prioritization of Masonry Railway Tunnels: A Case Study
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
Assessing seismic vulnerability and prioritizing railway tunnels for seismic rehabilitation are critical components of railway infrastructure management, especially in seismically active regions. This study focuses on a railway network in Northwest Iran, consisting of 103 old masonry rock tunnels. The vulnerability of these tunnels is evaluated under 12 active faults as seismic sources. Fragility curves derived from the HAZUS methodology estimate the probability of various damage states under seismic intensities, including peak ground acceleration (PGA) and peak ground displacement (PGD). The expected values of the damage states are computed as the damage index (DI) to measure the severity of damage. A normalized prioritization index (NPI) is proposed, considering seismic vulnerability and life cycle damages in tunnel prioritizing. Finally, a detailed prioritization is provided in four classes. The results indicate that 10% of the tunnels are classified as priority, 33% as second priority, 40% as third priority, and 17% as fourth priority. This prioritization is necessary when there are budget limitations and it is not possible to retrofit all tunnels simultaneously. The main contribution of this study is the development of an integrated, data-driven framework for prioritizing the seismic rehabilitation of aging masonry railway tunnels, combining fragility-based vulnerability assessment with life-cycle damage considerations in a high-risk and data-limited region. The framework outlined in this study enables decision-making organizations to efficiently prioritize the tunnels based on vulnerability, which helps to increase seismic resilience.
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