Seasonal Trends and Causes in Pavement Structural Properties
Notice bibliographique
Résumé
The seasonal monitoring program (SMP) of the long term pavement performance (LTPP) program provides an excellent opportunity to study the seasonal trends in pavement response. In 64 pavement sections in the United States and Canada, FWD testing is performed monthly every other year, subsurface temperature is measured hourly, subsurface moisture and freezing conditions are measured monthly, and climatic factors such as ambient air temperature, solar radiation, wind speed, and precipitation are collected continuously. In this study, a number of SMP sections were used to establish some general and statistically significant trends. The relationship between the elastic modulus of the AC layer and the temperature gradient within the layer was investigated. The relationship between the frost penetration in unbound layers and their backcalculated modulus was studied. Modeling such variability using linear and nonlinear formulations was attempted, and the practical implications of such effects on the data collection practice are discussed. The results of the analysis showed that the AC layer temperature gradient appears to influence the layer modulus. An exponential model was developed to quantify that effect and adjust the backcalculated modulus to the temperature gradient. Analysis of frost penetration trends showed that surface deflection and the backcalculated subgrade modulus are very sensitive to the existence and extent of a frozen layer within the subgrade. As expected, the thicker the frozen layer, the larger the subgrade modulus, and the further the layer, the lower the subgrade modulus. Exponential models were used to characterize this effect.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».