Prediction of Coarse Aggregate Performance by Micro-Deval and Other Soundness, Strength, and Intrinsic Particle Property Tests
Notice bibliographique
Résumé
Aggregate samples were collected from the majority of the U.S. states, as well as several Canadian provinces, and subjected to micro-Deval, Los Angeles abrasion, magnesium sulfate soundness, Canadian freeze-thaw, aggregate crushing value, absorption, specific gravity, and particle shape characterization testing to determine whether a correlation exists between laboratory aggregate tests and observed aggregate field performance. Performance ratings were assigned to each aggregate on the basis of the type of distress observed and years of service in the field in hot-mix asphalt and portland cement concrete applications. Numerical and qualitative analyses were performed to evaluate the success of separating good performers from fair and poor performers, with the micro-Deval test alone as well as the micro-Deval test combined with other tests. Furthermore, attempts were made to determine whether a correlation exists between any two tests. The tests that most consistently correlated well with field performance, either alone or in combination with other tests, were micro-Deval, Canadian freeze-thaw, absorption, and specific gravity. Several correlations indicated specific loss limits, which appeared to correctly isolate good performers from the rest. The limits found from correlation of test results and field performance are believed to be effective in identifying good performing aggregates; how-ever, care should be taken in using the limits to exclude aggregates without further consideration because good performers with higher losses were identified. Each agency should develop criteria, including a performance history versus micro-Deval loss, for each aggregate to develop a database that provides accurate performance forecasting.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».