Development of Regional Traffic Data for the Mechanistic–Empirical Pavement Design Guide
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To obtain full benefits from the new Guide for Mechanistic–Empirical Design of New and Rehabilitated Pavement Structures (MEPDG), it is necessary to characterize pavement traffic loads using detailed traffic data, including axle load spectra. Preferably, the detailed traffic data should be site specific. In the absence of site-specific traffic data, default input data need to be used. Truck traffic data, collected as part of a periodic commercial traffic survey, were used to obtain the best possible default values for traffic input parameters required for the MEPDG. Default traffic input parameters were developed for two Ontario, Canada, regions. The sensitivity of the predicted pavement performance to changes in traffic input parameters was explored. There are several notable differences between the default traffic data inputs included in the MEPDG software and the regional traffic data inputs developed for Ontario, particularly in terms of axle load spectra. Axle load spectra for Ontario have a smaller number of heavily overloaded axles, and the peaks between loaded and unloaded axles are more pronounced. There are also notable differences between axle load spectra for northern and southern Ontario. Compared with southern Ontario, northern Ontario axle load spectra are heavier and have a large proportion of fully loaded axles. The number and type of trucks, followed by the axle load spectra, have the predominant influence on the predicted pavement performance. The MEPDG contains several input parameters that do not have any significant influence on the predicted pavement performance, namely, hourly traffic volume adjustment factors and axle spacing.
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.
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 | 0,009 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 découle