Bibliographic record
Abstract
МОДЕЛИРОВАНИЕ РИСКОВ ПРОЕКТОВ АВТОМОБИЛЬНЫХ ДОРОГИзложены предпосылки и особенности моделирования реализации проектов автомобильных дорог для оценки рисков.Предложены две имитационнооптимизационные модели оценки резервов на предотвращение и смягчение рисков, базирующиеся на схеме агрегативной системы, использовании метода Монте-Карло и генетическом алгоритме поиска оптимального решения.Реализация проекта автомобильной дорогиэто сложный, динамический, стохастический процесс с управлением, поэтому предложенная имитационная модель имеет соответствующие алгоритмы и воспроизводит процесс принятия управленческих решений, которые приводят к структурным изменениям в проекте и к изменениям параметров работ проекта.Применение концепций агрегата и агрегативной системы позволяют моделировать поведение разных элементов сложной системы с единых позиций с использованием однотипных математических схем и алгоритмов, что снижает затраты на их компьютерную реализацию.С целью моделирования рисков и минимизации их негативного влияния фазы проекта автомобильной дороги сгруппированы в две части: стадию техникоэкономического обоснования, изысканий и проектирования, согласований и отвода земель и строительства (реконструкции) дороги, и стадию эксплуатации дороги.Такое разделение обусловлено разными целями управления проектами строительства и эксплуатации автомобильной дороги, а также необходимостью моделирования процессов деградации состояния дороги на стадии ее эксплуатации.Разработанные имитационно-оптимизационные модели и реализующие их компьютерные программы позволяют оценить влияние рисков на продолжительность и стоимость проектов автомобильных дорог, оптимизировать размер средств на покрытие рисков участников проекта, создать основу для построения информационно-аналитической системы управления проектами автомобильных дорог.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".