Analysis of Influences on As-built Pavement Roughness in Asphalt Overlays
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
Pavement roughness immediately after construction is a key measure of quality. The use of smoothness specifications requires an understanding of the influences on as-built roughness for both transportation agencies and contractors. This paper uses data from the Long-Term Pavement Performance (LTPP) program to examine four factors to determine their effects on the as-built roughness of a pavement. These factors include the extent of surface preparation prior to resurfacing, overlay thickness, type of overlay material and pavement roughness prior to resurfacing. Various statistical procedures including paired data analyses, regression analyses and a repeated measures analysis are performed to investigate these effects and any interactive effects. The extent of surface preparation, overlay thickness and pavement roughness prior to resurfacing are determined to have statistically significant effect (at a 95 % significance level) on the as-built roughness of a pavement either directly or interactively with another variable. The overlay mix type is determined not to have an influence on as-built pavement roughness. Data from the Canadian Long-Term Pavement Performance (C-LTPP) program is used to validate the results for overlay thickness and pavement roughness prior to resurfacing. A series of prediction equations are also developed to allow for estimating the as-built roughness of a pavement under various conditions. Pavement designers, construction engineers and contractors should understand the effects that influence the as-built roughness of a pavement so that they can maximize their designs, smoothness specifications and/or bidding of contracts with smoothness specifications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découle