Risk-informed decision making for resilient transport infrastructure systems

Abstract

Os sistemas de infraestruturas de transporte são suscetíveis ao envelhecimento e a perigos naturais e antrópicos, que afetam a sua capacidade de serviço e levam a consequências para a sociedade. Dado que os recursos disponíveis são limitados, as decisões sobre a manutenção e melhoria das infraestruturas de transporte devem ser abordadas através de uma perspetiva informada pelo risco. A quantificação dos riscos nestes sistemas requer a modelação espacial do evento extremo, a caracterização do desempenho das numerosas infraestruturas interligadas, e a estimativa das consequências diretas e indiretas de falhas, incluindo impactos monetários, ambientais e sociais. A integração destes modelos, ao nível da rede e com uma perspetiva de ciclo de vida, requer consistência no tratamento de incertezas, que envolve complexidade no processo de modelação e custos computacionais substanciais. Este trabalho introduz avanços recentes em modelação e análise de sistemas complexos de modo a quantificar os riscos dos sistemas de infraestruturas de transporte ao longo do ciclo de vida. Assim, esta quantificação apoia o processo de tomada de decisão e aumenta a sua resiliência contra perigos naturais, particularmente aqueles associados a efeitos de mudanças climáticas, como inundações. Inicialmente, técnicas probabilísticas Bayesianas são introduzidas para modelar eventos de inundação, capturando incertezas e fornecendo uma representação espácio-temporal dos impactos das inundações nas infraestruturas de transporte. Posteriormente, apresenta metodologias para avaliar as vulnerabilidades das infraestruturas, incluindo técnicas de aprendizagem automática para prever a deterioração ao longo do seu ciclo de vida. As metodologias são enquadradas no âmbito da avaliação de risco de ciclo de vida, utilizando uma abordagem de modelação de sistemas baseada em cenários, e técnicas de aprendizagem automática são ainda introduzidas para melhorar a eficiência computacional na quantificação das consequências económicas, humanas e ambientais resultantes da disrupção da funcionalidade do transporte. Este enquadramento integrado facilita a identificação de infraestruturas críticas cuja potencial falha afeta significativamente os riscos e define uma priorização de estratégias de mitigação. Além disso, as decisões sobre a priorização da recuperação também são auxiliadas, visando reduzir as consequências indiretas e, assim, aumentar a resiliência dos transportes, restabelecendo eficientemente a funcionalidade após disrupções. Por último, o conceito de probabilidade de falha de resiliência, definida como o esgotamento da capacidade do sistema de transporte para restaurar a funcionalidade sem apoio externo, é introduzido para ter em conta as decisões sobre a preparação da sociedade para lidar com eventos disruptivos.

Transport infrastructure systems are susceptible to aging and natural and anthropogenic hazards, affecting their serviceability and leading to societal consequences. As available resources are limited, decisions about maintaining and developing transport infrastructures must be addressed from a risk-informed perspective. Quantifying risk in these systems requires the spatial modeling of hazardous events, characterizing the joint performance of numerous interconnected infrastructures, and estimating direct and indirect consequences of failures, including monetary, environmental, and social impacts. Integrating these probabilistic models at the network level within a life cycle perspective while ensuring consistency in uncertainty treatment involves modeling complexity and substantial computational costs. This thesis introduces recent advances in systems modeling and analysis to quantify transport infrastructure risks throughout their life cycle, thereby aiding the decision-making process to enhance their resilience against natural hazards, particularly those associated with climate change effects like flooding. It first introduces Bayesian probabilistic techniques for modeling flood events, capturing uncertainties, and providing a spatiotemporal representation of flood impacts on transport infrastructures. Subsequently, it outlines methodologies for assessing infrastructure vulnerabilities, including machine learning techniques for predicting deterioration over their life cycle. The methodologies are integrated into a life cycle risk assessment framework utilizing a scenario-based system modeling approach, and machine learning techniques are further introduced to improve computational efficiency in quantifying economic, health, and environmental consequences resulting from disturbances in transportation functionality. The integrated framework facilitates the identification of critical infrastructures significantly contributing to risks and informs the prioritization of mitigation strategies. Furthermore, decisions about recovery prioritization are also aided, aiming at reducing the indirect consequences and thereby enhancing transportation resilience by efficiently restoring functionality after disturbances. Lastly, decisions on the societal preparedness to cope with disturbance events were enabled by establishing a probability of resilience failure, defined as the exhaustion of the capacity of the transportation system to restore functionality without external support.