Pavement Surface Mixture, Texture, and Skid Resistance: A Factorial Analysis
Notice bibliographique
Résumé
Skidding on wet pavements contributes to a substantial portion of highway crashes. The resistance to skidding however depends on the microtexture and macrotexture available on pavement surfaces. Several past studies have focused this aspect but with inadequate or inconsistent conclusions. The uniqueness of this study is that surface texture performance has been evaluated controlling the variability in aggregate mineralogy, environmental condition, construction and service. Portland cement concrete (PCC) specimens were prepared from a single mixture to evaluate the true effect of various surface textures on friction properties. Asphalt concrete (AC) surfaces with the same construction record were tested to examine the true effect of mix properties on surface texture and friction. Pavement surface texture was measured using the sand patch method and Automated Road Analyzer (ARAN) while the skid resistance was measured using the British Pendulum and skid trailer. Analysis has shown that a Mean Texture Depth (MTD) of about 1.8 mm is the optimum macrotexture for maximum surface friction on textured concrete surfaces. Exposed aggregate concrete may not be a preferred texture because of the benefit of sand microtexture is lost with washing out of surface mortar. AC surfaces with complex macrotexture have shown to perform differently from PCC surfaces with simple macrotexture pattern. The hypothesis that British Pendulum Number (BPN) is dependent only on surface microtexture and represents low speed friction has appeared to be invalid. The skid number-speed gradient is not something universal but varies from mix to mix. Several statistically significant models have also been developed correlating the skid resistance with the asphalt mix grading composition and surface macrotexture and with concrete surface macrotexture.
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 | 0,000 | 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 ».