Verification of Network-Level Pavement Roughness Measurements
Notice bibliographique
Résumé
In 1997 the Ministry of Transportation of Ontario (MTO), Ontario, Canada, switched to international roughness index (IRI) measurements as an indicator of network-level pavement roughness within its pavement management system. Measurement of pavement roughness or ride quality in terms of IRI can be performed with different measuring devices. However, the individual measurements for the same pavement section may vary significantly because of the use of different measuring devices, different longitudinal profiles, and different measuring speeds. Recent evidence obtained by MTO indicates that the longitudinal profile measurements provided by different measuring devices contain systematic differences that range from 0.1 to 1.0 m/km. Such differences in IRIs cause significant concerns for agencies that contract out collection of network-level roughness measurements on a yearly basis. Through the process of verification and comparison of longitudinal profile measurements obtained with different profilers, MTO has gained insight into the functional relationships and factors that affect profile measurements in terms of precision and bias. The verification techniques used to obtain normalized, reproducible, and time-stable IRI measurements for IRIs supplied by different IRI providers are described. Preliminary findings and statistical analyses of IRI values measured on a verification circuit, which is composed of 12 sections with four different pavement types, are provided. In addition, the results of analyses of the various IRI measurements and their impacts on network-level pavement serviceability are discussed.
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 | 0,001 | 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 ».