Combining Portable Falling Weight Deflectometer and Surface Wave Measurements for Evaluation of Longitudinal Joints in Asphalt Pavements
Notice bibliographique
Résumé
Longitudinal joints in asphalt pavements typically have lower densities than the interior portion of the mat. Therefore, they tend to exhibit surface distresses such as cracking and raveling more rapidly. The objective of this study is to evaluate the ability of nondestructive testing (NDT) for assessing the relative condition of a longitudinal joint. NDT has been significantly developed for pavement evaluation during the past decade. Deflection and surface wave methods are the most commonly used for pavement evaluation. The portable falling weight deflectometer (PFWD) is increasingly used in quality control and quality assurance to provide rapid determination of the equivalent surface elastic modulus. However, the multichannel analysis of the surface waves (MASW) method consists of using ultrasonic transducers to measure surface waves traveling through the pavement and invert for the elastic modulus of different layers. This study presents results from both deflection and seismic methods to assess the quality of longitudinal joints. Both methods are performed at the same locations of the centerline of a test track. Pavement deflection is also measured on the wheelpath for comparison with previous data. Across the joint, changes smaller than 7% were observed in deflection values. These preliminary results cannot be directly related to joint quality because the contribution of sublayers to the modulus measured with the PFWD needs to be estimated. MASW measurements showed promising results for evaluating the attenuation of surface waves due to the joint. Further work is required to improve the coupling between the transducers and asphalt surface.
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 | 0,014 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».