MétaCan
Menu
Retour à la cohorte
Enregistrement W2187072310 · doi:10.32920/ryerson.14664951.v1

Improved methods for distribution of superelevation

2021· preprint· en· W2187072310 sur OpenAlexaff
Udai Hassein

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEngineering
ThématiqueInfrastructure Maintenance and Monitoring
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésCurvilinear coordinatesConsistency (knowledge bases)Parametric statisticsDistribution (mathematics)Curve fittingGeometric designMargin (machine learning)EngineeringStructural engineeringMathematical optimizationMathematicsComputer scienceGeometryStatisticsTransport engineeringMathematical analysis

Résumé

récupéré en direct d'OpenAlex

The American Association of State Highway and Transportation Officials (AASHTO) provide 5 methods for distributing highway superelevation (e) and side friction (f). Method 1 (linear) is inferior to Method 5 (curvilinear). AASHTO Method 5 deals with speed variations, but its complex mathematical calculation affects design consistency. Safety margin is the difference between design and maximum limiting speed. This thesis describes distribution of superelevation (e) and side friction factor (f) based on the EAU and SAU methods using AASHTO and two different curves from the unsymmetrical curve; the equal parabolic arcs "EAU Curve" and a single arc unsymmetrical curve "SAU Curve". The thesis also describes e and f distributions based on the optimization model. The EAU and SAU methods and Parametric Cubic Optimization Model improve highway design consistency based on safety margins. Examples show the methods and optimization model are superior to AASHTO methods.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,659
Score d'incertitude au seuil0,502

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,302
Écart entre enseignants0,288 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInfrastructure Maintenance and MonitoringTravaux en français237 207