Validation of Long-Term Pavement Performance Prediction Models for Resilient Modulus of Unbound Granular Materials
Notice bibliographique
Résumé
Reliable characterization of unbound granular material and subgrade resilient modulus requires repeated load triaxial testing, advanced dynamic loading equipment, and technical experience not typically available in many geotechnical laboratories. For Level 2 design inputs, the Mechanistic–Empirical Pavement Design Guide recommends correlation models to estimate the resilient modulus of unbound granular material and subgrade from basic material properties (e.g., gradation, unconfined compressive strength, and California bearing ratio). These correlation models are developed from data on a wide range of soil and material types; this wide range increases the associated error with resilient modulus prediction. This paper compares laboratory measured resilient modulus for two types of locally available unbound granular materials to the predicted values; models developed under the Long-Term Pavement Performance (LTPP) program were used. Resilient modulus tests of six gradations of two types of material—100% crushed limestone and gravel—were conducted at two levels of moisture content. Results showed that the LTPP models significantly underestimated resilient modulus for the limestone material and showed high residuals associated with evaluating resilient modulus of both gravel and limestone materials. The coefficient of variation of the root mean square error was 50.3% for gravel and 55.6% for limestone. The high residuals associated with evaluating resilient modulus with the LTPP models justify the development of local prediction models to improve the reliability of Level 2 design inputs for unbound granular materials.
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 | 0,005 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».