Investigation of Different Methods for Obtaining Asphalt Mixture Creep Compliance for Use in Pavement Mechanistic–Empirical Design Software
Notice bibliographique
Résumé
Thermal cracking is a major distress type observed in flexible pavements, especially in regions with cold climates (e.g., northern United States and Canada). The Pavement ME Design Guide software developed under NCHRP Project 1-37A is the pavement analysis and design tool most widely used by state highway agencies for pavement designs. For thermal cracking predictions in flexible pavements, the most important material properties are the creep compliance and indirect tensile strength of an asphalt mixture in Level 1 and Level 2 analyses. Level 3 analyses use material properties and mixture volumetrics to predict creep compliance and indirect tensile strength. This study was part of a comprehensive research effort to characterize asphalt mixtures commonly used in the state of Michigan for implementation of the Pavement ME Design software. The main objective of the study presented in this paper was the investigation of methods of obtaining asphalt mixture creep compliance [D(t)] for use in flexible pavement analysis and design using the Pavement ME Design software. In this study, numerical interconversion between dynamic modulus (|E*|) and the creep compliance of asphalt mixtures with the Prony series method was investigated and validated. Then, the creep compliance of numerous asphalt mixtures was computed from the measured |E*| data. With these data, the creep compliance predictive equation used in Pavement ME Design software was evaluated and locally calibrated. In addition, an analytical model as well as an artificial neural network–based model was developed for improved prediction of D(t) from the mixture volumetrics.
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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».