Local calibration of flexible pavement performance models in Michigan
Notice bibliographique
Résumé
The performance prediction models in the Pavement-ME are nationally calibrated using in-service pavement material properties, pavement structure, climate and truck loading conditions, and performance data obtained from the Long Term Pavement Performance program. Generally, the nationally calibrated models may not be accurate if the inputs and performance data used to calibrate do not represent a state’s local conditions and practices. Therefore, each state highway agency (SHA) should evaluate the nationally calibrated performance models to determine the adequacy of predicted field performance before implementing the new M-E design procedure. If the predictions are not satisfactory, local calibration of the Pavement-ME performance models is recommended to improve the performance prediction capabilities reflecting the unique field conditions and design practices. The commonly used calibration technique such as split sampling does not necessarily provide adequate results, especially with small sample sizes. Consequently, there is a need to employ statistical methodologies that are more efficient and robust for model calibrations given the data related challenges encountered by SHAs. The bootstrap is a nonparametric and robust resampling technique for estimating standard errors and confidence intervals of a statistic. The main advantage of resampling methodologies like bootstrapping includes estimation of a parameter without making distribution assumptions. This paper presents the use of resampling techniques to locally calibrate the flexible pavement performance models and how the locally calibrated Pavement-ME models improved the performance prediction accuracy. The results of the local calibration show that the validation standard error and bias obtained from bootstrapping were much lower than other resampling techniques. In addition, the validation statistics were similar to that of the model calibration, which indicates robustness of the local model coefficients. The reliability equations after local calibration are a better representation of measured pavement performance in Michigan.
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 | 0,000 |
| 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 ».