Integration of Ramps into Pavement Management Systems
Notice bibliographique
Résumé
Ramps constitute an essential part of an agency highway network. They not only provide access to the mainline highway network, but some ramps also may be of sufficient length to be treated as a highway segment. Ramps can deteriorate faster than mainline routes, with resulting safety issues and discomfort to motorists. To be maintained in the same fashion that highway agencies maintain mainline pavements, ramps need to be included in pavement management systems (PMSs). A recent informal survey from 11 highway agencies in the United States and Canada showed that no agency had a formal maintenance and rehabilitation (M&R) program for ramps. All of them, on most occasions, include ramp M&R with adjacent mainline pavement M&R projects, and on a few occasions they fix ramps separately. A novel approach was developed to integrate ramps with the existing mainline network database that resulted from 8 years of PMS development and enhancement efforts. Included are the scope and methodology for the ramp survey and analysis, development of a ramp identification system, a condition-rating procedure for field testing of the ramp network, a ramp data-loading and data-processing procedure, and a ramp M&R and optimization analysis. Also described are the benefits of such analysis and how it can be used in other agencies to improve ramp pavements in the long term. The integration of ramps into the PMS provides the ramp's condition, needs, and budgeting summaries. The PMS modeling capabilities can be used to determine the asset value of the ramp network. Therefore, integrating ramp inventory and condition-rating data with the PMS mainline network can lead to effective ramp M&R decision making.
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 | 0,001 |
| 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 ».