This paper investigates the use of sourcing strategies to achieve supply chain resilience under disruptions. The coping strategies considered are single and multiple sourcing, backup supplier contracts, spot purchasing, and collaboration and visibility. Collaboration and visibility, which affect suppliers' recovery capabilities and a buyer's warning capability, have not been similarly modelled in the past. A scenario-based mathematical model is developed such that it considers objectives under uncertainties including disruption risks and operational risks. A broad numerical study examines its output for various risk attitudes in a decision-maker, ranging from risk neutral to risk averse. The sensitivity of procurement strategies to other key parameters such as recovery and warning capabilities is examined. One of the major findings is that buyer's warning capability plays a vital role in enhancing supply chain resilience. We seek to build on these efforts to further support disruption planning and mitigation and to obtain a deeper understanding of the relationship between supply chain characteristics and resilience.

The incorporation of Artificial Intelligence (AI) models into various optimization systems is on the rise. However, addressing complex urban and environmental management challenges often demands deep expertise in domain science and informatics. This expertise is essential for deriving data and simulation-driven insights that support informed decision-making. In this context, we investigate the potential of leveraging the pre-trained Large Language Models (LLMs) to create knowledge representations for supporting operations research. By adopting ChatGPT-4 API as the reasoning core, we outline an applied workflow that encompasses natural language processing, Methontology-based prompt tuning, and Generative Pre-trained Transformer (GPT), to automate the construction of scenario-based ontologies using existing research articles and technical manuals of urban datasets and simulations. From these ontologies, knowledge graphs can be derived using widely adopted formats and protocols, guiding various tasks towards data-informed decision support. The performance of our methodology is evaluated through a comparative analysis that contrasts our AI-generated ontology with the widely recognized pizza ontology, commonly used in tutorials for popular ontology software. We conclude with a real-world case study on optimizing the complex system of multi-modal freight transportation. Our approach advances urban decision support systems by enhancing data and metadata modeling, improving data integration and simulation coupling, and guiding the development of decision support strategies and essential software components.

As the integration of renewable energy expands, effective energy system management becomes increasingly crucial. Distributed renewable generation microgrids offer green energy and resilience. Combining them with energy storage and a suitable energy management system (EMS) is essential due to the variability in renewable energy generation. Reinforcement learning (RL)-based EMSs have shown promising results in handling these complexities. However, concerns about policy robustness arise with the growing number of grid intermittent disruptions or disconnections from the main utility. This study investigates the resilience of RL-based EMSs to unforeseen grid disconnections when trained in grid-connected scenarios. Specifically, we evaluate the resilience of policies derived from advantage actor–critic (A2C) and proximal policy optimization (PPO) networks trained in both grid-connected and uncertain grid-connectivity scenarios. Stochastic models, incorporating solar energy and load uncertainties and utilizing real-world data, are employed in the simulation. Our findings indicate that grid-trained PPO and A2C excel in cost coverage, with PPO performing better. However, in isolated or uncertain connectivity scenarios, the demand coverage performance hierarchy shifts. The disruption-trained A2C model achieves the best demand coverage when islanded, whereas the grid-connected A2C network performs best in an uncertain grid connectivity scenario. This study enhances the understanding of the resilience of RL-based solutions using varied training methods and provides an analysis of the EMS policies generated.

The innate complexity of medical topics often makes it challenging to produce educational content for the public. Although there are resources available to help authors appraise the complexity of their content, there are woefully few resources available to help authors reduce that complexity after it occurs. In this case study, we evaluate using ChatGPT to reduce the complex language used in health-related educational materials. ChatGPT adapted content from the SmartSHOTS mobile application, which is geared toward caregivers of children aged 0 to 24 months. SmartSHOTS helps reduce barriers and improve adherence to vaccination schedules. ChatGPT reduced complex sentence structure and rewrote content to align with a third-grade reading level. Furthermore, using ChatGPT to edit content already written removes the potential for unnoticed, artificial intelligence–produced inaccuracies. As an editorial tool, ChatGPT was effective, efficient, and free to use. This article discusses the potential of ChatGPT as an effective, time-efficient, and open-source method for editing health-related educational materials to reflect a comprehendible reading level.

Due to long-term interactions between intensive resource exploitation and rapid social development, there are multiple challenges to maintaining and improving the well-being of farm households in ore–agriculture compound areas in Northwest China. However, few studies have focused on the effects of farmland transfer on farm household comprehensive well-being. This study collected 485 valid questionnaires through a structured questionnaire technique and then compared the well-being level and its five components between farm households who participated and did not participate in farmland transfer based on an index system of well-being. Further, a propensity score matching (PSM) method was used to estimate the net effects of farmland transfer on farm household well-being and its heterogeneity. The results showed the following. (1) Overall, farm household well-being in ore–agriculture compound areas in Northwest China was at a moderate level (mean value was 0.433), but there were large differences among its five components. The orders of the five components of well-being in the three study sites were consistent, and the well-being index of farm households participating in farmland transfer was generally greater than that of those not participating in farmland transfer. (2) The results of the PSM revealed that farmland transfer only increased the levels of well-being, security, and freedom of choice and action by 4.9%, 8.8% and 6.1%, respectively. (3) The younger the household heads and the higher their education levels, the greater the effects of farmland transfer on farm household well-being. Local government sectors should continue to improve their farmland transfer system and strengthen institutional innovation. Meanwhile, venerable groups’ well-being should be paid more attention in the process of farmland transfer.

This paper presents a framework for developing a “soft digital twin” (SDT) for reliability optimization through modeling and simulation. The focus is on demonstrating the effectiveness of the SDT in modeling maintenance task processes within mission-critical facilities, which is particularly essential for reliable operations in critical infrastructure such as nuclear facilities. The need for efficient completion of maintenance tasks (MTs) to ensure high reliability and minimal downtime underscores the challenge faced by managers, who desire a predictive tool akin to a “crystal ball” for optimal resource configuration in the face of uncertainties from equipment failures, staffing issues, and supply chain disruptions. The proposed SDT functions as this predictive tool, leveraging the simulation’s versatility to provide insights into resource configurations and staff planning. This work extends the prior research by incorporating additional model validation, sensitivity testing, and analysis of the impact of various resource changes on the system. It employs a combination of data-driven frameworks and stochastic modeling methods to construct an adaptive SDT capable of accommodating changes in system behavior. The work provides a framework for the construction of SDT, testing and validation of its results, and its application to a case study of a mission-critical facility focused on replication and then optimizing of two key performance indicators based on human resource mixtures. Initial findings suggest that the SDT yields reliable results comparable to retrospective test datasets, offering the potential to minimize MTs’ time in the system while maximizing throughput within specified time frames through scenario experimentation and optimization.

Uropathogenic Escherichia coli (UPEC) is a major cause of urinary tract infections (UTIs). Invasion into bladder epithelial cells (BECs) on the bladder luminal surface via type 1 fimbria is the first critical step in UPEC infection. Although type 1 fimbria expression increases during UPEC invasion of BECs, the underlying regulatory mechanisms remain poorly understood. This study reported a previously uncharacterized two-component system (TCS) GrpP/GrpQ that directly activates type 1 fimbria expression to promote UPEC invasion and therefore pathogenicity in response to D-serine present in the host urine. grpP/grpQ mutation severely impaired UPEC invasion of BECs and decreased the bacterial burden and formation of intracellular bacterial communities in mouse bladders during acute UTI. grpP/grpQ is widely present in UPEC genomes but rarely in other E. coli genomes, suggesting that this TCS specifically contributes to UPEC evolution. This study revealed a new pathway for virulence activation in response to host cues, providing further insight into UPEC pathogenesis and a promising target for UTI treatment. Here, Li et al. report a two-component system, GrpP/GrpQ, which promotes UPEC pathogenicity. Mechanistically, GrpP/GrpQ directly activates type 1 fimbria expression to promote UPEC invasion in response to D-serine in the host urine.

ABSTRACT We study the spreading speed of a diffusive epidemic model proposed by Li et al. [Dynamics for a diffusive epidemic model with a free boundary: spreading‐vanishing dichotomy, Zeitschrift für Angewandte Mathematik und Physik 75 (2024): Article No. 202], where the Stefan boundary condition is imposed at the right boundary, and the left boundary is subject to the homogeneous Dirichlet and Neumann condition, respectively. A spreading‐vanishing dichotomy and some sharp criteria were obtained in Li et al. In this paper, when spreading happens, we not only obtain the exact spreading speed of the spreading front described by the right boundary, but derive some sharp estimates on the asymptotical behavior of solution component . Our arguments depend crucially on some detailed understandings for a corresponding semi‐wave problem and a steady‐state problem.