Calibration of a Freeze-Thaw Prediction Model for Spring Load Restriction Timing in Northern New England
Notice bibliographique
Résumé
A major problem with low-volume roads located in seasonal frost areas is their susceptibility to damage from trafficking during spring thaw. Therefore, seasonal load restriction (SLR) policies that limit the axle loads of heavy trucks during the spring thaw period have been implemented in many countries in an effort to minimize costly roadway damage. Several agencies have been addressing the question of when to place and remove SLRs and have expressed the need for a prediction model to aid them in the process of posting roads. Models are available which predict the depth of frost and thaw penetration based upon air freezing and thawing indices, requiring only air temperature data for input. Various forms of these models have been used by transportation agencies in the United States and Canada. When using any prediction model, a key element is model validation and calibration for local conditions. The purpose of the research described herein was to calibrate a freeze-thaw index model for use in SLR timing in northern New England. Atmospheric weather data and measured subsurface temperature data obtained from nine field test sites in New Hampshire over a period of three years were used in this analysis. Frost and thaw coefficients for the model were calibrated on a site-specific basis. Results suggest that frost-thaw patterns were reasonably estimated at most of the nine test sites using this model, although the model tended to be too conservative in estimating end-of-thaw dates, with estimated end-of-thaw dates falling after measured dates in many instances.
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 | 0,001 |
| Science ouverte | 0,000 | 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 ».