Methodes statistiques de prevision de l'evolution d'une chaussee
Notice bibliographique
Résumé
This study conducted as a joint undertaking by the LCPC laboratory and the Québec Transportation Ministry's Roads Laboratory Division (DLC/MTQ), has enabled evaluating various methods for modeling pavement evolution, in particular by esting their applicability to the data stemming from a test-section monotoring program. Three methods have been considered herein ; they have been derived from : 1) association of an iterative adjustment process with a multilinear regression ; 2) application of "survival laws" theory; and 3) non linear regression. Each of these three methods is discussed in depth and it will be shown both how and to what extend they enable identifying the set of variables that govern pavement behavior (the so-called "explanatory" variables). These methods then get applied to data yielded from the Quebec Transportation Ministry's test section monitoring program in order to model the evolution of thermal shrinkage cracking on flexible pavements (i.e. pavements containing thick bituminous layers). This study has demonstrated both the importance and difficulty involved in identifying the explanatory variables behind the trends encountered during modeling. To overcome at least in part this difficulty, a so-called "robust" section hypothesis has been introduced ; its purpose is intended to incorporate the explanatory variables heretofore unidentified and hence correlate with a greater level of precision the behavior of a given family with that of a specific section in this family.
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.
Comment cette classification a été obtenuedéplier
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».