Maintenance costs of public roads: Do empirical data confirm the superiority of concrete over asphalt?
Notice bibliographique
Résumé
One of the cornerstones of far-sighted infrastructure management is that it involves a life-cycle consideration, as endorsed notably by the U.S. Federal Highway Administration. Decisions on investments should be considered in terms of product performance over time. In spite of the initial construction cost, all constituents of maintenance (i.e. cost to be borne during road’s assumed lifespan to keep the specified service level) should be quantified to equip the public investor with full information on pavement’s long-run prospects. The major part of the existing research in this field rests on theoretical calculations which, although sound and scientifically rigid, may not always translate accurately to the actual wear and tear of pavements. Maintenance costs are also delivered to the broad public by tools like Canadian CANPav™ or Polish Kalkulator drogowy, none of which is faultless. This paper aims to apply the real life statistics on concrete versus asphalt construction costs, assembled from the commune of Grybów in southern Poland. Despite limited time series, it is still instructive to cast a closer glance at these few actual figures instead of proving concrete pavements’ long-term advantage on the basis of theoretical or anecdotal evidence. Moreover, the paper addresses the underestimated issue of local concrete roads that often gives way to more rewarding research on high-traffic-volume concrete pavements. The analysis revealed that for a 30-year horizon, given very conservative assumptions as to the discount rate, inflation rate, and the scope and frequency of pavement rehabilitation, concrete pavements are still more economical relative to bituminous pavements. For a representative road section, the net present value of future cash flows related to its maintenance was 5.67% lower in PCC concrete technology. The life-cycle saving may go up to as much as 33-35% when excessively cautious assumptions are lifted.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».