Pavement Rehabilitation Selection Based on Mechanistic Analysis and Field Diagnosis of Falling Weight Deflectometer Data: Virginia Experience
Notice bibliographique
Résumé
The effectiveness of using the field diagnosis and falling weight deflectometer (FWD) mechanistic analysis in reducing a 65-km (40-mi) segment of asphalt pavement to project level segments is discussed, along with selecting a cost-effective rehabilitation strategy. A mechanistic-based analysis was performed on the deflection basins measured from I-85 in Virginia to backcalculate the layer moduli. The 65-km segment was divided into structurally homogeneous sections based on the back-calculated layer moduli. The data of each homogeneous section were analyzed further to assess the in situ structural capacity, to identify weak layers, to estimate the remaining structural life, and to determine the current and future rehabilitation needs. It was found that some sections have almost no remaining structural life, and others have remaining structural life of more than 10 years. A comparison was made between the FWD–field diagnosis rehabilitation program and a visual inspection rehabilitation program. Results of the comparison indicated that the visual inspection rehabilitation program resulted in selecting thicker overlays for some of the project sections (overdesigned) and thinner overlays for the other sections (underdesigned). It is estimated that the difference between the FWD–field diagnosis rehabilitation program and the visual inspection rehabilitation program for the overdesigned sections is in the range of 45 percent of the construction cost (savings). Life-cycle cost analysis (LCCA) was performed to quantify the difference between the two rehabilitation programs for the underdesigned sections. Results of the LCCA indicated that the FWD–field diagnosis rehabilitation program would result in 26 percent and 42 percent reduction in the construction cost and user delay cost, 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».