Early-Life, Long-Term, and Seasonal Variations in Skid Resistance in Flexible and Rigid Pavements
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Skidding contributes to up to 35% of wet weather accidents. Increased temperature and surface wear and polishing may affect the available friction and further increase skid-related accidents. Several studies have attempted to examine and quantify these variations mostly with inadequate or inappropriate conclusions. The surface friction of both port-land cement concrete (PCC) and asphalt concrete (AC) pavements was measured monthly to determine the influencing factors and quantify the seasonal fluctuation. Skid number (SN) and pertinent data of the Long-Term Pavement Performance program were obtained for both PCC and AC pavements, incorporating all geographic and climatic regions of the United States and Canada, to determine the contributing factors and quantify the long-term and early-life variations of surface friction. Surface friction was shown to fluctuate as a result of ambient or pavement temperature fluctuation at 0.35 British pendulum number per 1°C change in temperature. The effect of prior weather was shown to be insignificant. Following the construction, AC and PCC surface friction was shown to increase by 5 SN in about 18 months and 4 SN in about 2½ years. Skid resistance was shown to decrease thereafter at 0.27 SN for AC and at 0.24 SN for PCC pavements per million vehicle passes. Cumulative traffic passes, pavement age, speed, and temperature during the testing and PCC pavement surface texture types were found to be statistically significant for the prediction of long-term surface friction. AC pavement long-term surface friction was shown to be more sensitive, as compared with PCC, to predominant climatic condition.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découle