Application of a Fuzzy Decision Support System for Project Risk Management in Rail Transportation Infrastructure
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
Abstract This article presents a fuzzy decision support system (FDSS) to enhance project risk assessment and decision-making in rail transportation infrastructure. Grounded in fuzzy logic theory, the FDSS evaluates risks by analyzing probability, impact, and mitigation strategies, thereby informing contingency levels for project budgets and schedules. By applying compositional rules of inference and incorporating real-world performance factors, the model reduces uncertainty and subjectivity common in traditional qualitative approaches. Drawing on the primary author's experience moderating over 3000 risk sessions in the rail industry, the study highlights how inconsistent and subjective assessments contribute to scope creep, cost escalation, delays, and cancellations. Although rail infrastructure teams typically possess strong technical expertise, they often lack specialized skills for rigorous risk management. The FDSS addresses this gap by producing reliable and replicable evaluations that increase confidence in decision-making. Enhanced fuzzy models, developed through Monte Carlo triangulation risk assessments, enable less-experienced staff to conduct simulations and achieve results comparable to seasoned experts. The system also automates the selection of critical project parameters, improving financial planning and schedule optimization. Its simplicity has been identified as a key factor in user adoption and effectiveness. A case study demonstrates the FDSS in practice, underscoring its adaptability and impact on reducing uncertainty and improving risk management outcomes in real-world transportation infrastructure projects.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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