Rigid Pavement: Ontario Calibration of the Mechanistic-Empirical Pavement Design Guide Prediction models
Notice bibliographique
Résumé
The Mechanistic-Empirical Pavement Design Guide (MEPDG) has been introduced to transportation agencies as an innovative method for analysis and design of pavements. However, the MEPDG cannot be used by highway agencies without calibration due to the different situations in Canada. Local calibration the MEPDG, which means adjusting the coefficients of performance prediction models to meet the local conditions, should be an essential step for any agencies before the official acceptation of the MEPDG. \n \nAs the part of the project, Local Calibration of the MEPDG Prediction Models Using More Accurate Field Measurements funded by Highway Infrastructure Innovation Funding Program (HIIFP), this research involved the local calibration of the models for Jointed Plain Concrete Pavement (JPCP) in the Province of Ontario. Using the field measurements collected by Ministry of Transportation in Ontario (MTO), the study performed local calibration for 32 rigid (JPCP) pavement sections. The primary objective of this study was to examine prediction results using global models; then if not agree with the measurements, refine the coefficients of the MEPDG performance models using the nonlinear optimization methods. The proposed calibration was applied by using the sections located in different zones throughout Ontario to represent the local features, including climate and traffic conditions. Finally, the local calibration results are presented and compared with previous results of global models to assess the robustness of local calibration. The research shows the feasibility of the mathematical optimization method for in local calibration in Ontario, and it also provides some useful findings for future uses of the MEPDG.
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 | 0,001 |
| 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 ».