Road Section Length Variability on Pavement Management Decision Making for Ontario, Canada, Highway Systems
Notice bibliographique
Résumé
In a pavement management system, the performance evaluation indexes and their prediction methods are important aspects for assessing the overall pavement condition. Therefore, an accurate location reference system is necessary for managing pavement evaluations and maintenance. In this regard, the length of the pavement section selected for evaluation may also have significant impact on the assessment, irrespective of the type of performance indexes. This study investigated the variability in pavement performance evaluation and maintenance decisions attributed to change in pavement section lengths. It considered rut depth, pavement condition index, and international roughness index as performance indexes. Data from 27 road segments of Ontario, Canada, with a total length of 172.5 km were selected for empirical investigation. The distributions of these indexes were compared by grouping various segment lengths ranging from 50, 500, 1,000, and 10,000 m. The variations of performance assessment attributable to changing section length were investigated on the basis of their impacts on maintenance decisions. A Monte Carlo simulation was carried out by varying section lengths to estimate probabilities of the necessity of maintenance works. Results of this empirical investigation revealed that most of the longer sections were evaluated with low rut depth and the shorter sections were evaluated with higher rut depth. Monte Carlo simulation also revealed that 50-m sections have a higher probability of maintenance requirement than 500-m sections. Although the results are related to the Ontario highway system, these methods can also be applied elsewhere with similar conditions.
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 | 0,004 | 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 | 0,000 |
| 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 ».