Evaluation of Existing Spring Load Restriction Models Based on Experimental Field Data
Notice bibliographique
Résumé
A large number of road structures are subjected to seasonal freezing and thawing in Canada. Low volume (secondary) roads in frost-prone regions are susceptible to loss of structural capacity during thaw season. During freezing season, ice lenses form in the subgrade soil. Melting of these ice lenses during thawing season is deemed to be the main cause of losing structural capacity. There are several suggested empirical methods in the literature for predicting the onset and duration of thawing condition in the subgrade soil. Generally, transportation agencies use the outcome of these prediction models to apply limitations on maximum allowable loads of trucks passing on the vulnerable roads which is known as Spring Load Restriction (SLR) or Spring Road Ban (SRB). As part of an ongoing research on the Integrated Road Research Facility (IRRF)’s test road constructed in August 2012 which is a new access road to Edmonton Waste Management Center (EWMC), the temperature data were recorded over the winter of 2013 using thermometers installed across the depth of the pavement structure in order to monitor the temperature variation through different layers (Hot Mix Asphalt (HMA), Granular Base Course (GBC) and subgrade.) This research is a comparative study between 4 different methods to evaluate their credibility in determining the imposition date of SLR using the recorded field temperature data. It was found that all models were able to accurately predict the onset of thawing through the pavement.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».