Application of GPR and FWD in Assessing Pavement Bearing Capacity
Notice bibliographique
Résumé
Abstract The process of pavement maintenance and rehabilitation starts by collecting the data which will form the base for evaluation of pavement functional and structural condition. Collection of data can be performed by destructive and non-destructive testing. Usually preferred are the non-destructive methods, that do not damage the pavement, and the process of pavement evaluation is objective and repeatable. Non-destructive testing methods are becoming more and more popular, especially for assessing the structural condition of the pavement. Non-destructive testing by a Falling Weight Deflectometer (FWD) and the analysis of so collected data by the process of backcalculations is today the usual tool for assessing pavement bearing capacity. One of the basic input parameters for analysis of the data collected by FWD is pavement layers thickness. The practice in Croatia is to determine pavement layers thickness by coring. This destructive method affects pavement integrity, so the number of such tests should be kept to the minimum. By coring the accurate thickness of all pavement layers is obtained on specific point locations. Thus, numerous deviations in layer thickness remain unnoticed, and in the end, use of such data for the process of backcalculations does not provide ac urate values of layer moduli. Coring can be replaced with non-destructive method of testing by Ground Penetrating Radar (GPR), which provides continuous information on thickness of all pavement layers. The paper shows the method for assessing the bearing capacity of the pavement based on the data collected by FWD, GPR and coring. The calculation for layer moduli was performed by the ELMOD software, separately for the layers thickness data obtained by coring, and separately for the thickness obtained by GPR tests. Analysis and comparison of the results of calculated elasticity moduli obtained by using various methods for collecting layer thickness data were performed in the paper.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».