Evaluation of Soil-Geogrid Pullout Models Using a Statistical Approach
Notice bibliographique
Résumé
Abstract The accuracy of the current Federal Highway Administration (FHWA) in-soil geogrid pullout model was examined using a statistical approach applied to a large database of pullout test results. The accuracy of data interpretation and model type was quantified using the mean and coefficient of variation (COV) of model bias values and possible hidden dependencies identified using the Spearman rank correlation coefficient. Model bias values were computed as the ratio of measured to predicted pullout capacity. When project-specific pullout test data were used to fit a linear approximation to dimensionless interaction coefficients, the result was judged to be an acceptably accurate model (mean bias value of one and a small spread in bias values, i.e., COV=0.13). However, in many cases project-specific pullout data are not available. If the current FHWA model with default values is used, the prediction accuracy is very poor based on the same quantitative measures (mean of bias=2.23 and COV=0.55). Two new models were examined to overcome this deficiency. One model is bi-linear and the other is non-linear. The non-linear model was shown to be more accurate with a mean bias value close to one and COV=0.36. The non-linear model also has the advantage of being smoothly continuous with practically no detectable hidden dependencies. Finally, the large number of test results in the database allows recommendations to be made on how to select reinforcement lengths during the experimental design to increase the likelihood of a pullout mode of failure in the laboratory.
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 | 0,013 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 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 ».