Analytical procedures for evaluating factors that affect joint faulting for jointed plain concrete pavements using the Long-Term Pavement Performance database
Notice bibliographique
Résumé
The objective of this study was to identify and quantify design and construction features most important to joint faulting of joint plain concrete pavements. With data obtained from the Long-Term Pavement Performance (LTPP) database, an analysis approach that combined pavement engineering expertise and modern data analysis techniques was to develop guidelines for improved design and construction of Portland cement concrete (PCC) pavement. The approach included typical preliminary analyses, but emphasis was placed on using a series of multivariate data analysis techniques. Discriminant analysis was used to develop models that classify individual pavement into performance groups developed by cluster analysis, which was used to partition the pavements into three distinct groups representing good, normal, and poor performance. These models can be used to classify and evaluate additional or new pavements performance throughout the pavement's design life. To quantify the levels of the key design and construction features that contribute to performance, the classification and regression tree procedure was used to develop tree-based models for performance measure. The analysis approach described was used to develop the guideline on the key design and construction features that can be used by designers to decrease joint faulting of jointed plain concrete pavements (JPCPs).Key words: faulting, Long-Term Pavement Performance (LTPP), jointed plain concrete pavement (JPCP), cluster analysis, discriminant analysis, classification and regression tree (CART) analysis.
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 | 0,001 | 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 | 0,000 |
| 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 ».