Sensitivity Analysis of Field-to-Laboratory Subgrade Conversion Factors with AASHTOWare Pavement ME Design
Notice bibliographique
Résumé
The new AASHTOWare Pavement ME design software incorporates conversion factors into its procedure to correlate the field subgrade soil resilient modulus, measured with the falling-weight deflectometer, with the laboratory equivalent modulus for use in performance prediction. The national conversion factors recommended for use with Pavement ME were determined on the basis of data obtained from the Long-Term Pavement Performance database and were not necessarily accurate for all regions and soil types. Sensitivity analysis results are presented for the effect of field-to-laboratory subgrade modulus conversion factors on the performance of three types of pavement structures in Ontario, Canada: conventional flexible, deep-strength flexible, and composite. This work included simulation of real-world case studies extracted from the Ontario provincial pavement management system (Ontario PMS2) database. Three projects were selected for this study–-Highway 6, Highway 401, and Queen Elizabeth Way–-all located in southwestern Ontario. Required inputs including traffic, material characteristics, and layer thickness information were extracted from PMS2 and used to set up the projects in AASHTOWare Pavement ME. The AASHTOWare Pavement ME was executed with ranges of field-to-laboratory conversion factors for different pavement types. Statistical analyses were carried out to evaluate the effect of changing conversion factors on predicted performance. Study results suggest that the predicted performance of conventional flexible pavement is significantly affected by the subgrade modulus conversion factor. However, the impact of subgrade modulus conversion factors on predicted performance is insignificant for composite and deep-strength flexible pavement sections.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| 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 | 0,001 |
| 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 ».