Deficiency Analysis of As-Built Database to Enhance a Pavement Management System
Notice bibliographique
Résumé
The ability to systematically collect and record as-built data for pavement layers benefits highway departments in many aspects. A well-established database of as-built pavements provides a tool for maintaining an up-to-date corporate record of the physical pavement structures, keeping track of unit construction costs, and reducing the amount of pavement excavations during pavement investigations. A reliable as-built database also provides inputs for falling weight deflectometer analysis and calibrating pavement performance models in pavement management systems (PMSs). A task within the development of the second-generation PMS for the New Jersey Department of Transportation is to review and analyze the existing pavement as-built database for completeness and quality. A computer program was developed to scan and categorize the as-built data into five status levels: complete, partially complete—missing original construction data, partially complete—missing recent rehabilitation data, questionable data, and no data. The results of this analysis can be used to recommend improvement for the data-collection process and to guide further investigations, such as coring and ground penetration radar tests. The general approach used in the analysis is described, data status levels are defined, results for distribution of the pavement as-built data are provided, and the significance of the analysis for PMSs is discussed. Recommendations for improving completeness and quality of the pavement construction history database also are provided.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».