Resilient Modulus of Subgrade Soils A-1-b, A-3, and A-7-6 Using LTPP Data: Prediction Models with Experimental Verification
Notice bibliographique
Résumé
Accurate evaluation of subgrade resilient modulus (MR) is important for effective and economical design of flexible pavements. Resilient modulus of subgrade soil is the elastic modulus based on the recoverable strain under repeated loads and depends on several factors like soil properties, soil type, and stress states. This paper presents prediction equations to estimate MR from a set of soil physical properties for 3 AASHTO subgrade soil types, namely A-1-b, A-3, and A-7-6. The prediction models were developed using the multiple linear regression analysis of the data extracted from Long Term Pavement Performance Information Management System (LTPP IMS) Database for 82 test specimens, approximately 1230 MR values, from 16 states in New England and nearby regions in the U.S. and 1 province in Canada. Generalized constitutive model consisting bulk stress and octahedral shear stress was used to predict MR of subgrade soils by developing regression equations for the k-coefficients that relate these coefficients to various soil properties, e.g. particle size, moisture contents, densities, and Atterberg limits. The R2 values obtained for the prediction equations for k coefficients relating to the soil properties range from 0.45 to 0.79. To verify the prediction models independently, laboratory MR tests were conducted on a few New England subgrade soils. It was observed that the predicted MR values compared well with the laboratory measured values for A-1-b soil samples. However, because of some soil property values being outside the range used in the development of the prediction models, the comparison was poor for A-3 soil samples, and for A-7-6 soil, MR values could not be predicted due to negative values for k2 coefficient.
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 | 0,000 | 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 | 0,001 |
| 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 ».