Optimizing Maintenance Strategies for Transportation Networks: Integrating Risk Attitudes in Decision Making
Notice bibliographique
Résumé
Optimizing maintenance strategies is essential for enhancing the safety, reliability, and economic efficiency of transportation infrastructure, particularly roads and bridges.Conventional optimization models typically aim to minimize costs while maximizing reliability but often overlook the varied risk attitudes of infrastructure managers and decision-makers.This limitation can lead to theoretically optimal strategies that fail to reflect practical stakeholder preferences under uncertainty.This study proposes a framework that integrates risk attitudes directly into the optimization of maintenance strategies.The approach extends a value iteration algorithm by incorporating a Constant Relative Risk Aversion (CRRA) utility function, enabling the modeling of risk-averse, risk-neutral, and riskseeking behaviors.The framework is implemented with an actor-critic reinforcement-learning architecture, where a critic network guides a policy (actor) toward cost-optimal maintenance decisions.Unlike traditional reinforcement learning or optimization methods that assume risk neutrality, the proposed model adjusts the reward structure to reflect how decision-makers perceive the trade-offs between cost, reliability, and future uncertainty.The framework is applied to a representative road and bridge network to examine how varying risk preferences influence the selection of optimal maintenance strategies-including preventive, corrective, opportunistic, and induced maintenance.By adjusting the risk aversion parameter, the model produces different optimal strategies corresponding to diverse decisionmaker profiles.To support decision-making, the study visualizes how risk attitudes affect both the selection of maintenance strategies and the associated lifecycle costs.Results highlight the significant role of risk preferences in shaping maintenance policies.This research contributes to bridging the gap between theoretical optimization techniques and the practical realities of infrastructure management by providing a flexible, risk-aware tool that enables infrastructure managers to tailor maintenance strategies to both technical requirements and organizational risk preferences.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».