Adjustment of Load and Resistance Factor Design Live Load Factors Using Recent Weigh-in-Motion Data
Notice bibliographique
Résumé
Traffic loads on bridges exhibit significant variations regionally, from state to state, and from site to site. Accounting for actual live loads in the bridge design process is important to improving the overall reliability and safety of bridges. In some cases, the code-specified live loads may underestimate traffic loading on a bridge. The current load and resistance factor design (LRFD) live load calibration is based on a biased sample of truck weights collected as part of an Ontario, Canada, truck weight survey conducted in 1975. In the past 35 years, truck traffic has significantly increased in volume and weight, which may necessitate adjusting the LRFD live load factors in certain cases on the basis of current truck traffic conditions. Although the quality and quantity of traffic data being collected by highway agencies has improved since 1975, it has not been used to update the bridge design loads. NCHRP Project 12–76 was initiated in 2006 to develop a set of protocols and methodologies using recent truck traffic data to update live loads for LRFD bridge design. Various levels of complexity are available using the site-specific truck weight and traffic data to calibrate live load models. One simplified calibration approach focuses on the lifetime maximum live load for updating the live load model or the load factor for current traffic conditions. Another, more robust, reliability-based approach for calibration is proposed in the protocols. The models are applicable for the design of bridge members, for both ultimate capacity and cyclic fatigue, and are implementable for both main structural members and the design of bridge decks.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».