文摘

桥恶化是受到各种因素的影响。然而,无论是这些因素之间的关系和恶化是明确决定,也不是每个因素的相对影响恶化很好理解。本研究提出了一个方法来解决这些问题通过集成人工神经网络(ANN)和灵敏度分析方法。安是用来预测恶化和灵敏度分析方法应用于评估每个因素对恶化的影响。测试方法与3368块桥检测数据表明,(1)发达安获得约65%的准确性;和(2)七个因素被识别影响恶化。既定的ANN模型等效性能恶化三年级和四种类型的桥梁。两个灵敏度分析(沙普利值Sobol指数)方法进行比较,他们发现同样的五个最重要的因素。因此,此方法可以有效地避免不确定性因素恶化通过提供一个相对重要性的因素。方法的预测能力和因素重要性识别能力使它适合决策者了解恶化情况和安排进一步的检查和相应的维修策略。

1。介绍

桥梁在使用多年来遭受不同程度的恶化。许多研究已经进行了评估个人因素对恶化的影响(1]。然而,实用的桥是一项复杂的系统工程,deterioration-related因素之间的关系和恶化不明确决定,也不是每个因素的相对影响恶化。维护工程师检查和评估桥梁的状况并记录这些结果定期。随着时间的推移,与大量的数据库维护项目,它提供了一种可能性建立因素和之间的关系恶化,评估每个因素的影响。此外,适当的prediction-based维护策略更经济保持稳健的桥梁维修保养,因为维修保养重点postfailure修复和通常是不足以确保结构安全(2]。此外,检查劳动密集型且耗时。因此,有未开发的潜力,需要利用维护数据库来确定预测恶化严重恶化桥实现进一步的检查和维修策略。为了满足这些需求,检查数据库带入新的数据处理方法(包括神经网络和敏感性分析)来预测恶化品位和确定影响因素恶化。潜在的影响因素包括桥梁设计和施工质量,桥梁几何、材料、维修,交通量,和周围的环境。

适当的人工神经网络(ANN)的体系结构可以被训练在维护数据库预测未来恶化情况(3]。安的值得注意的特点是其学习能力。的过程中建立一个ANN模型,网络处理输入和得到一个输出,比较理想的输出响应,并计算错误。然后连接的参数(和在图1)根据更新错误。如果网络范式和参数设计合理,这些会导致令人满意的预测性能。在现有桥梁的维护,安能帮助维护工作在建立之间的关系桥梁的潜在因素和恶化的成绩来预测恶化。

自从安训练通常是通过使用一组数据从一个数据库,结果只解释所有输入之间的关系(因素)和输出(预测)。通过关系,很难理解每个因素的贡献在一个特定的预测。因此,建立的关系一个安变成一个“黑盒”(4]。尽管一个ANN模型可以提供预测和表现出更好的性能,在桥梁的实际维修中的应用是有限的由于无知的每个因素的影响的预测。

总之,不但要建立预测模型使用一个安决定恶化情况,还应计算每个因素的重要性理解恶化的原因。此外,数据库必须包含高质量的数据申请制定恶化与最优性能预测模型,做出令人信服的解释影响因素恶化。因此,数据库应用的数据质量检查前必须认真检查进行分析。

本研究介绍了提出方法的开发和验证,可用于预测桥梁退化和恶化的原因。具体地说,一个ANN应用分析检查数据库建立一个预测模型,即恶化的分数可以预测来确定桥严重恶化。建立了ANN模型的性能评价对不同退化等级和不同类型的桥梁。此外,Shapley值法(5,6)和Sobol指数(6,7)被用来计算所有因素的重要性。此外,Shapley值法应用于预测模型为进一步分析估计的重要性,通过因素分解,恶化成绩,桥梁类型,和环境。最后,两个桥梁作为例子来说明该方法的实际应用。

2。背景

维护是至关重要的保持结构良好,耐用的,安全的。在许多国家,条件评估现有的桥梁进行主要通过定期检查(8- - - - - -10]。根据评估结果,必要的干预或进一步检查计划。自prediction-based维护可以防止进一步恶化,保持桥梁在良好条件下较低的成本与维修保养相比,prediction-based维护是广泛使用的2]。Prediction-based维护在很大程度上依赖于准确的预测恶化。潜在的方法如下所述。

在恶化预测常用的方法包括两类:确定性模型和概率模型(11]。确定性模型处理特定的和已知的变量。海曼et al。12)指出,恶化有关桥的时代通过分段线性回归模型。Busa et al。13)使用线性回归模型桥恶化和得出结论,年龄和日常交通是两个重要的因素。Abu-Tair [14]讨论了因素的应用方法,并指出该方法在预测恶化是非常主观的。锅等。15)提出了一个matrix-driven模糊线性回归模型预测桥梁的条件。同样,金等。16)应用乙状结肠函数和无损评价数据评估桥面的恶化。宋et al。17)建立了一个非线性回归模型确定的预期使用寿命一座桥。尽管性能的桥梁使用寿命公式可以被描述的确定性模型,这些模型忽略了不确定性的恶化(18]。

此外,一些研究人员专注于概率模型,主要用于恶化是马尔可夫链模型。李等人。19)和Wellalage et al。20.)使用马尔可夫的连锁酒店忠诚度奖励条件恶化模型来预测桥梁。然而,一个最优转移概率矩阵是很难获得的。Agrawal et al。18)相比,威布尔分布的马尔可夫链和总结后的方法会更好。基于时间的模型存在的时间的时间分布的桥梁来改变他们的状况从一个到另一个地方。一组变量(因素)是用于这个过程如环境暴露,设计属性,和维修计划。这些类型的模型被用于研究Mauch和Madanat21和李et al。22]。方法,一系列的随机变量(因素)与不同分布确定桥梁的性能。

除了确定性和概率模型,安已经应用于实际的维修工程(23- - - - - -25),因为它可以解决多变量问题。安在应用程序的维护,Sobanjo [26)检查记录用于50桥上层建筑预测恶化,只输入的年龄桥和输出条件恶化的上层建筑。黄(27]的11个重要因素,开发了一个ANN预测模型与这些因素恶化桥甲板。使用相同的操作,Al-Hussein [11设计一个安估计恶化通过考虑结构类型、组件类型,接触环境,和缺陷。Lim和太极28)考虑的因素识别、结构、检查、和环境,开发了一个ANN预测大桥伤害事件的数量和严重程度与约95%的准确性。然而,这些研究人员讨论具体的影响因素对桥恶化。

受这些研究的启发,我们应用安分析检查数据库对预测恶化现有桥梁的优化进一步检查和制定维修策略。然而,Zhang et al。4)和Caruana et al。29日)指出,安能增加一个黑盒的问题。虽然ANN模型可以预测恶化影响因素,预测模型提供了只有一个预测值不知道恶化的原因。这使得工程师很难信任预测,了解哪些因素影响预测,并确定有针对性的干预。为了解决这些困难,提出方法集成了一个安和灵敏度分析方法。恶化的ANN预测成绩,和灵敏度分析方法计算的相对重要性因素恶化。

3所示。提出的方法

方法包括以下两个部分:一个预测模型和灵敏度分析方法,如图2。

3.1。预测部分

准确预测桥梁恶化至关重要计划的进一步检查,维护和修复以较低的成本。预测恶化,安应用于分析检查数据库建立预测模型。维护数据与高质量应该提取并分为以下两类:潜在影响因素恶化和恶化的成绩。因为许多因素会影响恶化,所有潜在的内部和外部因素可能会影响桥梁应该突出(30.]。考虑的影响因素包括桥梁设计和几何图形,应用材料,环境,加载,等,阐述了部分以下4.4.1。然而,这并不意味着每个因素在桥上恶化有相同的影响。因此,有必要提出方法来识别许多无关紧要的因素的重要因素[31日]。

鉴于安的特点,可以应用于预测部分建立最优的潜在因素和恶化的成绩之间的关系,如图1。安指格拉汉姆·古德费勒的细节等。32]和Guliyev [33]。预测模型的性能可以通过不断改进集成新的检验数据更新模型。因此,两个参数矩阵和在图1可以获得,它代表整个的输入和输出之间的关系。然而,这两个参数矩阵的关系很难被理解,因为它们表明复杂的非线性计算。换句话说,每个factoron恶化的贡献很难确定直接从预测模型。

3.2。敏感性分析

灵敏度分析可以应用于克服不确定性因素的恶化,因为灵敏度分析可以告诉工程师什么因素影响恶化及其相对重要性。本研究应用两个灵敏度分析方法:沙普利值Sobol指标,如下所述。预测假设每个因素可以解释的实例是一个“玩家”游戏和支出的预测。沙普利值显示如何公平分配“支付”的因素(34]。接下来,沙普利值方法的简要介绍。的集合潜在的影响因素为代表 ,和任何排列的是一个联盟。特征函数地图所有联盟“支出”,在我们的案例中是恶化品位。这个函数有以下定义:如果是一个排列(联盟)的所有因素;然后描述了全联盟所有因素的影响(35]。的价值是由输入在预测模型中。

的重要性的因素决定如下: 在哪里是许多因素。总和所有子集的延伸年代的N排除的因素 。这个公式可以解释如下:的贡献因素在年代是 ;的平均贡献的可能的联盟是这个因素的最后贡献。在我们的例子中,品位和定义是指的恶化

沙普利值方法可以计算每个因素的相对重要性,不管预测模型的复杂性。因此,它可以解释任何预测模型(35]。计算相关重要性的大小不同的预报值,当一个因素被认为是(如桥梁宽度)与当不考虑(例如当桥宽度是未知的)(5]。总之,Shapley值法识别所有因素和评估他们的相对重要性,使工程师能够找出因素显著影响恶化和制定相应的干预策略。

除了Shapley值法,Sobol指数(6,7是另一个有用的方法来检测的敏感性预测输入。在这项研究中,这两种方法将使用一个实际的情况相比4所示。3。符合这两个方法的描述,我们提出的具体措施来实现预测的敏感性分析,如图2。给定值的因素,恶化的分数可以预测(部分3.1),一些预测成功和不成功的。成功地预测桥梁都形成一个新的数据库中提取出来的。因为失败的预测可能导致不正确的重要性估计,沙普利值和Sobol指数方法应用到新的数据库检测每个因素的敏感性预测模型。

4所示。案例研究

检查数据库的3386座桥梁在日本北海道来验证方法的有效性。这些桥梁检查每五年(8)及其位置如图3。整个验证过程将从数据准备被描述,建立预测模型,估计因素的重要性。

4.1。数据准备

我们排除了不完整的和不合理的数据从原始数据库和选定的3368的3386座桥梁。具体来说,未知的桥梁年龄被丢弃。结合年龄限制,不减少的恶化品位的约束。例如,桥梁评估1级2级的检查和评估在接下来的检查;这种没有考虑桥。然后,数据为选定的桥梁被分为潜在影响因素和恶化的成绩。

以下4.4.1。潜在影响因素

因素有可能影响恶化被认为是“输入”的预测模型。桥的特性,比如桥的长度,宽度,高度,和年服务,从检查数据库中提取。得到了温度和二氧化碳浓度从日本气象厅(36]。交通量是来自交通调查37,38]。机载盐计算根据先前的研究39,40]。总之,潜在的影响因素包括桥梁几何、环境、荷载条件,和其他人,如表中列出1。还有很多其他因素会影响恶化,但不考虑疲劳裂纹等设计和施工质量。主要原因是无法收集相关数据。然而,这个缺陷将迫使我们收集更多的数据来改善我们未来的工作,并鼓励在未来修改数据获取方法检查。更多细节因素如下所述的交通量和机载盐。本研究考虑四种类型的桥梁,包括电脑、RC、PC和RC混合,和钢铁桥梁。(1)大型车辆的速度日常交通量的调查显示(37,38),大型车辆的比例(包括公共汽车、卡车、重型设备建设,和其他特殊设备)可以通过计算 (2)机载盐桥梁在1公里的海岸线被认为是影响机载盐。机载盐浓度可以由以下方程计算(39]: 在哪里空气中的盐浓度( ); 1公里相当于空气中的盐浓度(mdd·氯化钠);是海岸线的距离(公里);和b距离衰减的程度(b= 0.6)。

地区B和C图所示4分别为1.174和0.072,(39]。后来,经验方程(5)[40)可以用来计算氯离子浓度,坚持混凝土的表面。 在哪里混凝土表面氯离子浓度( );和空气中的盐浓度在桥位置( )。

4.1.2。恶化的成绩

恶化的成绩是用来了解桥梁的条件。根据检查指南(8),桥梁的恶化情况下分类如下:1级:健康;2级:预防性维修要求;三年级:提早行动要求;4级:需要紧急行动。成绩和相应的描述表2。4级以来被认为是一个关键的条件,这意味着这些桥梁必须进行及时修复,这种哲学导致罕见发生4级。因此,三年级被认为是上阈值,因为三年级表明早期行动的必要性。这促使我们考虑建立一个预测模型预测紧急情况发生之前的情况。预测模型可以作为一个工具来区分严重和不严重恶化桥。然后,严重恶化桥可以介绍详细的检查和维护。

4.1.3。数据特征分析

12个因素表中列出1正在调查中。因为不同的因素是测量在不同的范围,这些因素的值需要调整到一个共同的规模来提高培训过程的效率。列在表3,所有的因素都在0 - 1。年服务表明年龄后建立的桥梁。二氧化碳浓度是指地面在桥的附近位置。大型汽车车辆速度计算方程(3)。桥的类型时排除建立ANN模型,因为它是不理性的代表不同的桥梁类型与数量。虽然可以为不同类型的桥梁构建模型,每种类型的大桥上缺乏足够的数据限制了这种尝试。讨论关于ANN模型的性能在不同类型的桥梁节中描述4.2。2。

4.2。预测模型

4.2.1。准备模型建立

的12个因素表3和三个退化等级被用来构造一个ANN模型。最优配置的ANN模型由试验和错误决定。更高的精度被认为是更好的性能预测模型。试验和错误,对每个参数(各种值测试32),表中列出4。图5描述了非线性激活函数用于试验和错误。将softmax应用隐藏层和输出层之间。Relu和双曲正切是输入层和隐层之间的应用。

考虑所有的五参数组合,112例测试。在每个试验中,随机分层抽样用于将数据集划分为训练,测试和验证子集,占70%,15%,和15%的维护数据库,分别。然后每个案例测试三次获得平均消除方差值。后来,方差分析(方差分析)分析应用于测试结果来检查每个参数的意义在培训/验证精度。一个值为0.05或更少被认为有重大影响恶化。的价值总结表4表明,学习速度和学习算法显著影响培训/验证的准确性。通过测试结果,安生产精度高十当它有一个隐藏层神经元,Relu的激活函数,并与自适应训练时刻估计(亚当)算法的学习速率为0.01。

预期的安是一个3368×13矩阵的输入(包括偏差)和3368×1矩阵作为输出。的初始值和(图1)是随机分配在训练,预测成绩通常是不符合实际的成绩。表达的熵值方程(6)是用来计算误差的实际和预测之间的成绩。样品的数量,类的数量,表示类的重量j处理样本不平衡代表一个样本属于类的概率j。如果一个样本属于类j, ;否则 。

培训和验证迭代2000次,预报值之间的误差和地面真理被评估使用叉。如图6,收敛精度约为65%,误差收敛于大约0.2。精度和误差表明,建立的模型是一些距离完美。未来的努力是必要的改善部分中描述的建立模型的动作5。2。

4.2.2。评价预测模型

预测模型的性能评估使用五个指标。介绍了定义的这些指标在图7以年级为例。TP、TN、FP和FN指真正的阳性,真正的底片,假阳性,假阴性,分别。召回或真阳性率(TPR)是正确的预测比1级桥梁。精确的比例是1级的预测正确的预测。的F1分是调和平均数的查全率和查准率。真阴性率(TNR)表示正确的预测比其他年级桥梁总数的其他年级桥梁。一个模型被认为是这些度量值更高的更好的性能。对这些指标的详细信息,参考格拉汉姆·古德费勒et al。32]。

图8显示了这些指标的值ANN模型三个恶化的成绩。结果表明,建立的模型有等效性能恶化的三个等级。此外,该模型应用于电脑,RC、混合和钢铁桥梁评估模型的性能相应类型的桥。图9表明该模型具有等效性能类型的桥梁。虽然建立模型尚不完善,建立模型无偏恶化的不同等级和不同类型的桥梁。

4.3。估计因素的重要性

使用预测模型,成功预测了2161年的3368座桥梁。因此,一个新的数据库成立2161年的桥梁。沙普利值和Sobol指标的灵敏度分析方法被应用于执行每个因素的新数据库。计算敏感性标准化展示他们的相对重要性,显示在图10。五个最重要的因素取决于Sobol指数和夏普利值法是相同的,尽管他们的价值观是不同的。桥的长度和年服务决心是最重要的影响因素的恶化。此外,交通量、最低温度和氯离子的三个外部因素影响恶化,这与已知的发现是一致的。因此,Shapley值法被认为是一个合适的解决方案来确定因素的贡献在恶化。此外,Shapley值法应用于从其他方面分析新的数据库。

4.3.1。每个潜在影响因素的分布

根据Shapley值法,估计每个桥的所有因素计算的重要性。估计所有桥梁的重要性由每个因素如图11。表明重要性估计每个因素的相对重要性的桥。正值表示因素将加速恶化,负值意味着将减缓恶化的因素。因此,六个因素(如年服务,二氧化碳浓度、氯离子浓度)显示加速对恶化的影响。其他因素(如海拔、桥梁长度、宽度和桥梁,大型车辆,降雨,和最高温度)没有显示一致的效果。只有六个因素加速了以后。此外,图11显示估计的重要性最低温度是负相关的测量值。估计其他五个加速因素的重要性,如年服务和交通量,显示测量值的正相关性。

4.3.2。估计每个年级的重要性

比较不同等级之间的估计的重要性,其各自的平均六个因素的重要性等级计算,如图12。所有的因素中,年服务和交通量的两个最重要的因素是所有成绩。其他因素的影响相对较少。1级服务时间以来的桥梁通常比较短,环境因素如最低温度和氯离子没有产生重大影响。因此,交通量是最重要的因素。随着时间的流逝,差距重要性年服务和交通量交通已经缩小,如年级2所示。结果表明,多年来在服务的相对重要性增加,及其对恶化的影响也在增加。此外,年服务的重要性和交通量几乎是相同的在三年级。此外,最低温度和氯的影响增加。因为服务的桥梁在三年级平均超过46年来,一个相对较小的一个因素的重要性并不意味着不重要的因素,因为这些因素的累积效应是不考虑。 Therefore, various factors should be comprehensively considered to provide recommendations for future maintenance. In addition, intervention is performed for some bridges, which is difficult to be considered in our methodology.

4.3.3。估计不同结构类型的重要性

恶化的不同为不同类型的桥梁。观察估计的重要性是否能反映不同类型的桥梁造成的差异,平均估计所有因素的重要性,分解通过结构类型,如图13。

类似于前面发现的,年服务和交通量的两个最重要的因素是所有类型的桥梁。这些因素在不同的不同的分布类型的桥梁。PC桥梁,更重要的相对于其他因素年服务,随着PC桥梁通常能够承受严酷的条件和有更好的耐久性。与PC桥相比,钢筋混凝土桥梁的重要性更加均匀分布,因为钢筋混凝土桥梁更容易加载(交通量)和环境因素(最低温度和氯离子)。混合桥几乎是中间的PC桥和钢筋混凝土桥。对钢桥梁、交通体积增加的重要性,因为这类桥梁的日均交通量在应用数据库通常是10000多,通常提供许多大型车辆(3337辆/天)。

因此,桥式决心恶化导致差异的另一个原因。至于其他研究人员的发现27),材料和周围的环境应该是最重要的因素。自从数据库对于桥梁材料不可用,本研究不考虑材料引起的差异。在环境方面,桥梁将被分为两组根据桥坐落在沿海或非沿海地区,这将在稍后讨论。

4.3.4。估计不同的环境的重要性

由于桥梁在沿海地区受到极其严重的环境材料(41),桥梁的环境分为沿海和非沿海地区根据桥的位置,和平均计算这两个环境的重要性,如图14。非沿海地区的桥梁,这些因素的分布是一样的在前面的部分中,除了氯离子的估计是零,因为没有考虑防冰盐。与非沿海条件相比,氯离子在沿海地区的影响是大大增加了。此外,交通量和最低温度的两个关键因素不论沿海地区或非沿海地区。

结果表明,桥梁在沿海地区更强烈影响机载盐,和估计灵敏度分析符合现实的重要性。总之,估计因素之间有一个合理的协议与已知的加速效果和因素影响恶化。因此,灵敏度分析可以确定影响因素恶化和可以计算它们的相对重要性。

5。讨论

的实际使用情况提出了方法使用两个桥梁被描述为例子。此外,本研究的局限性进行了讨论。

5.1。制定维修策略

安在实际,建立了可用于获得目标桥梁的退化进程支持详细的检查和维护,通过描述桥梁A和B为例(表5)。桥梁A和B是检查在2016年和2015年,分别和他们两个都评估1级。A和B的桥梁已经服务了12年,五十年,分别。通过更新表中列出的值的因素5,桥的恶化情况可以通过预测模型预测。因此,桥梁a和B的恶化进展时间如图15。研究结果表明,桥将保持在1级了很长时间,而桥B会很快降低到3年级。

图16展示了桥梁的估计每个因素的重要性,A和b .结果表明,年服务,氯离子和交通量这些桥梁的三个最重要的因素。其他三个因素的影响相对较少。

然而,两座大桥的重要性估计显示显著差异。最重要的因素是桥梁,交通量;其他因素相对较低。因为桥已经服务了12年,自然降解的材料并不明显,以及碳化和氯离子的影响仍然是很小的。考虑桥仍将在未来20年,1级十分之一年没有特殊维修是必要的桥梁。桥B为50年,最近一直在服务适应许多大型车辆,最低温度、交通量、氯离子都有至关重要的影响除了年服务。另外,桥B的恶化将从1到3年级很快恶化,根据退化曲线在图15。因此,应该引入桥B在五年内全面详细的检查和维护。结果表明,尽管桥A和B的恶化都是1级,计算各种因素的相对重要性是不同的。显然,估计的相对重要性可以反映桥梁的属性和恶化的原因。此外,进一步检查和相应的维修策略可以设置。

5.2。限制

在这项研究中,提出了一种方法来预测恶化和分析恶化的原因。预测模型没有提供定量结果恶化情况的桥,但是它可以作为辅助工具初步检验阶段区分严重和不严重恶化桥梁。然后,严重恶化桥可以介绍详细的检查和postmaintenance。虽然方法是通过一个实际的数据库验证,本研究仍应被视为一个初始的和理想的尝试。在这种尝试,桥的具体材料并没有被视为恶化预测。出于这个原因,分析结果在一定程度上偏离实际情况。此外,其他几个因素与恶化相关但不考虑,如除冰盐的应用、设计强度和干预的历史。此外,恶化的差异在不同的组件相同的桥没有考虑。

因为应用的数据库不包括桥梁4年级,建立模型只能预测三年级的恶化情况和之前。这些缺陷将鼓励我们收集更多的数据改善未来的工作。在评估一个因素的重要性,Shapley值法考虑所有可能的影响因素。但有时,重要性计算是不合理的,因为Shapley值法不能满足理性的约束。因为恶化年级是主观评估,成绩不定量关系恶化的情况。这导致的偏差计算的重要性。

将来可以提高重点收集更多的相关因素的解释因素,导致恶化。另一个未来的改进将会修改预测和敏感性分析模型,集成更多的高质量的数据,定量的恶化的成绩。

6。结论

本研究提出了一个方法来集成人工神经网络(ANN)和灵敏度分析方法。安进行预测来确定进一步恶化检查和维修时间。灵敏度分析方法提供了洞察预测模型来理解恶化的原因。使用一个检查数据库,从验证结果可以得出以下结论:(1)安和灵敏度分析方法的结合可以有效地避免不确定性因素在某种程度上恶化。因此,方法可以预测的预测和理解影响因素重要性的影响因素。(2)一个安考虑成立十二个影响因素作为输入和三个恶化成绩作为输出。建立安了一个精度约为65%。尽管模型的性能还不完美,可预见性仍然可以接受的考虑现有桥梁的复杂性。此外,该模型等效性能恶化三年级和四种类型的桥梁。实际上,一座桥的恶化进展可以确定制定详细的检查和维修时间。(3)Sobol指数和夏普利值方法可以识别恶化的原因进行敏感性分析,并显示一致性的五个最重要的因素。这是一个重要的一步将神经网络应用到实际的维修,因为灵敏度分析将抽象和令人费解的预测因素的相对重要性工程师容易理解和行动。(4)从估计的因素的重要性,六个因素被识别,将加速恶化。年服务,二氧化碳浓度、氯离子浓度、交通量,降雪,最低温度。此外,分析表明,桥式诱导恶化的另一个重要原因的差异。真相的显著差异沿海和非沿海地区之间的桥梁是机载盐还透露在灵敏度分析。相对重要性的因素列表提供工程师找出因素明显影响恶化的可能性,并相应地制定干预措施为一个特定的桥。

在未来,努力将执行解决部分中描述的局限性5。2改善性能的方法。

数据可用性

本研究中使用的数据可以从作者要求。

的利益冲突

作者宣称没有利益冲突。