Travel demand modeling to simulate traffic loads for pavement deterioration curves: dealing with aggregate data at urban and regional scales
Notice bibliographique
Résumé
Traditional pavement management system uses historical data on traffic volume or traffic growth rate to develop the pavement deterioration curves. This study simulates the traffic loads on regional and urban road networks to estimate the pavement deterioration curves applying travel demand models at urban and regional scales during the period of 2013–2062. Highways 1, 2, 7, 15, 16, 102, and 104 connecting the Atlantic Provinces of Canada are considered as the case study at regional scale. Arterial and local roads of both rigid and flexible pavement types in the city of Montreal are considered as the case study at urban scale. The TRANUS model integrates spatial input-output and transportation models to simulate interprovincial freight movement on the regional road network. Urban transportation planning system simulates the urban traffic on the road network of the city of Montreal. The accumulated traffic loads are calculated based on the predicted annual average daily traffic and locally observed truck distributions combined with truck factors. Roughness progression on regional highways and urban roads is estimated by applying regression model of international roughness index (IRI). The IRI will be 35.71, 43.33, 31.62, and 30.67 for flexible-arterial, rigid-arterial, flexible-local and rigid-local roads during the period of 2013–2062, respectively. Comparative evaluation of with and without simulated traffic reveals that the impact of simulated traffic is highest on the pavement structure of Highways 2 and 1 at regional level and rigid-arterial and flexible roads of Montreal. This study improves the traditional method of estimating pavement deterioration by incorporating the simulated traffic and traffic loads into the pavement performance function.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».