MétaCan
Menu
Retour à la cohorte
Enregistrement W2621091442 · doi:10.1080/10298436.2017.1326598

Effect of frost heave on long-term roughness deterioration of flexible pavement structures

2017· article· en· W2621091442 sur OpenAlexafffund
Olivier Sylvestre, Jean-Pascal Bilodeau, Guy Doré

Notice bibliographique

RevueInternational Journal of Pavement Engineering · 2017
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueClimate change and permafrost
Établissements canadiensUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNorges Forskningsråd
Mots-clésSubgradeFrost heavingGeotechnical engineeringEngineeringEnvironmental scienceFrost (temperature)Civil engineeringForensic engineeringGeology

Résumé

récupéré en direct d'OpenAlex

In northern regions, the frost heave of the subgrade soils due to formation of ice lens is the main mechanism involved in the high degradation rate of the flexible pavement. This paper presents developments of flexible pavement damage models, developed through a multiple linear regression analysis, associated long-term roughness performance to frost heave and degradation mechanisms. Actually, there is no deterioration model that establishes a link between frost heave and flexible pavement. At a design stage, those models would be essential to evaluate the benefits or consequences to have a frost heave lower, equal or higher than the allowable threshold values established by the MTMDET according to the roads functional classification. The result presented illustrate that a significant increase in long-term IRI deterioration rate, usually caused by a more variable subgrade soil, is likely to contribute to the rehabilitation of the pavements up to four years before the end of the pavement service life. This project will allow the administration and the builders to adapt the construction of road infrastructures in cold regions in order to achieve the objectives established to maintain the safety of the users.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,292
Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations43
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Pavement EngineeringMême sujetClimate change and permafrostTravaux en français237 207