Research on Graded Lane Changing in Undersea Tunnel Exit Diversion Zones: Application of Set Pair Analysis and TOPSIS Method for Evaluation
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
Owing to undersea‐tunnel constraints concentrating off‐ramp maneuvers in confined zones, this study optimizes graded lane‐changing strategies to mitigate collision risks. Using the Jiaozhou‐Bay Undersea Tunnel case, we propose an innovative exit diversion area graded lane‐changing strategy comprising Transition Section I, Transition Section II, gradient section, and auxiliary lane. Six schemes were simulated via UC‐WinRoad, with driver physiological stress quantified through Tobii eye‐tracking as a novel application of pupil dynamics. Four indicators—lane‐change position, lane‐change rate, pupil diameter, and speed change—were weighted by the integrated analytic hierarchy process and entropy weight method (AHP–EWM) methodology and evaluated via the set pair analysis with the technique for order preference by similarity to ideal solution (SPA‐TOPSIS) theory model. Optimal Scheme E (290‐m transition I, 210‐m transition II, 120‐m gradient, and 140‐m auxiliary lane) achieved γ = 0.968, significantly reducing pupil fluctuation by 32% compared with the shortest design (Scheme A) while ensuring smoothest speed control. This demonstrates effective conflict distribution in high‐risk undersea environments, providing universally applicable design benchmarks for tunnel safety enhancement.
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 | 0,006 | 0,000 |
| 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 | 0,000 |
| 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