MétaCan
Menu
Retour à la cohorte
Enregistrement W2740549436 · doi:10.1201/9781315100333-120

Advanced analysis of pavement longitudinal profiles for rehabilitation diagnostic

2017· book-chapter· en· W2740549436 sur OpenAlexaboutno aff
Jean-Pascal Bilodeau, Guy Doré, Laurent Grégoire

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomaineEngineering
ThématiqueInfrastructure Maintenance and Monitoring
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRehabilitationPhysical medicine and rehabilitationMedicinePhysical therapy

Résumé

récupéré en direct d'OpenAlex

In cold environments such as the one prevailing in the province of Québec (Canada), the two prominent problems associated with frost action are differential frost heave resulting from variable frost action in frost susceptible subgrade soils and frost heave occurring at shallow depths in pavements around cracks. Distortions of the surface profile resulting from frost heave can be divided into short or long wavelength distortions depending on whether or not heaving is associated with crack heaving, or differential frost heaving in the subgrade soil. Identifying the specific cause of profile deterioration during winter through routine analysis of profile and IRI information is currently very difficult to do with existing analysis tools. In order to develop new profile related diagnostic tools, a research project was undertaken on three pavement sections for which winter roughness deterioration causes are well documented. The surface profiles of the experimental sections were measured in summer and winter using an inertial profilometer. For each test section, the IRI difference (ΔIRI uf ) between winter and summer profiles, calculated every 100 m, was determined. The measured profiles were also filtered for short wavelengths (1 to 3 m) and long wavelengths (8 to 12 m) in order to determine the IRI difference (ΔIRI f ) between winter and summer filtered profiles. The value of the ratio ΔIRI f /ΔIRI uf calculated for each passing wavelength band was used as the main indicator within a decision chart. The proposed method can adequately differentiate the sections affected by deep frost heaving from those affected by shallow crack heaving.

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)0,000
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,010
Tête enseignante GPT0,246
Écart entre enseignants0,235 · 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'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInfrastructure Maintenance and MonitoringTravaux en français237 207