Precision of Florida Methods for Automated and Manual Faulting Measurements
Notice bibliographique
Résumé
Traditionally, the Florida Department of Transportation (DOT) has measured faulting with a manual fault meter. However, this method is slow and labor intensive, disrupts traffic, and presents safety hazards. Extracting the fault magnitude from a pavement profile collected with an automated high-speed inertial profiler is a more efficient and cost-effective alternative. Thus, the Florida DOT developed the Florida automated faulting method (FAFM), which detects joints and calculates faulting from longitudinal profile data. A study was conducted to establish the accuracy and precision of the FAFM. In addition, an improved manual fault meter was developed by the Florida DOT and used as a reference device for the FAFM in the field. Because accuracy and precision measures for the new fault meter were not readily available, the study assessed the accuracy of the fault meter under controlled laboratory conditions, as well as the precision in both laboratory and field conditions. The results of the study indicated that the manual fault meter demonstrated no bias and a repeatability of 0.06 mm (0.002 in.) in laboratory conditions. Under field conditions, the fault meter showed a repeatability of 0.42 mm (0.02 in.). Also under field conditions, the FAFM achieved accuracy in terms of bias ranging between 0.2 mm (0.01 in.) and 0.7 mm (0.03 in.). The repeatability and reproducibility of the FAFM were determined to be 0.6 mm and 0.9 mm (0.04 in.), respectively.
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 | 0,007 | 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 | 0,001 |
| 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 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 ».