Calibrating Mechanistic–Empirical Pavement Design Guide for North Carolina: Genetic Algorithm and Generalized Reduced Gradient Optimization Methods
Notice bibliographique
Résumé
The Mechanistic–Empirical Pavement Design Guide (MEPDG) is the state-of-the-practice pavement analysis software developed under NCHRP Project 1–37A. Recently, AASHTO announced the first commercial version of the software, DARWin-ME, to replace the 1993 AASHTO design guide DARWin software. The MEPDG and DARWin-ME use similar models for predicting rutting and bottom-up fatigue cracking. Both distress models were nationally calibrated with measured performance data collected from hundreds of long-term pavement performance sections across the United States and Canada. Verification work indicated that these nationally calibrated models did not reflect North Carolina's local materials, construction practices, and local traffic. Therefore, the performance models must be recalibrated to reflect local conditions. The scope includes rutting and alligator cracking in flexible pavements. The development of rutting and fatigue model coefficients (k-values) is investigated for 12 commonly used hot-mix asphalt (HMA) mixtures in North Carolina, and two approaches for recalibrating the rutting and fatigue cracking model coefficients (β-factors) are compared to reflect local materials and conditions. The two optimization methods evaluated are generalized reduced gradient (GRG) and genetic algorithm (GA) optimization. Results indicate that rutting and fatigue cracking k-values for North Carolina HMA mixtures are generally different from national averages. The GA optimization method does a better job of predicting local distresses than do the GRG method and nationally calibrated models.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».