MétaCan
Menu
Retour à la cohorte
Enregistrement W2760967282 · doi:10.1520/jte20160263

Laboratory Investigations of Cold Mix Asphalt for Cold Region Applications

2017· article· en· W2760967282 sur OpenAlexaff
M. Hasanuzzaman, Leila Hashemian, Alireza Bayat

Notice bibliographique

RevueJournal of Testing and Evaluation · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueAsphalt Pavement Performance Evaluation
Établissements canadiensUniversity of AlbertaCanadian Natural Resources
Organismes subventionnairesnon disponible
Mots-clésAsphaltDurabilityAsphalt pavementEnvironmental scienceAggregate (composite)Ultimate tensile strengthCohesion (chemistry)Forensic engineeringMaterials scienceEngineeringComposite material

Résumé

récupéré en direct d'OpenAlex

Abstract Cold mix asphalt (CMA) can be a quick, environmentally friendly, and low-cost option for utility-cut backfilling on urban streets and most highway agencies prefer it as a pothole patching and pavement surface repairing material over hot mix asphalt (HMA) during winter and wet seasons. However, applying poor quality CMA may result in premature patching and backfilling failures, reduce pavement’s integrity and longevity, and impair drivers’ safety. Additionally, CMA’s lack of stability and durability while exposed to heavy traffic, moisture, and freeze-thaw conditions may accelerate further deterioration. This paper focused on evaluating and comparing twelve CMAs through laboratory tests to determine properties that may cause poor performance in cold climatic regions. Taking into consideration the identified CMA distresses, this study conducted Marshall Stability and flow, indirect tensile strength (ITS), cohesion, and adhesiveness tests on nine proprietary and three conventional cold mixes, including both open- and dense-graded materials. Most mixes had low adhesion properties and high sensitivity to freeze-thaw cycles. An analysis of variance showed that aggregate grain size distribution and bitumen content had a significant effect on CMA’s performance.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
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 Opus0,096
Tête enseignante GPT0,330
Écart entre enseignants0,234 · 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'étudeExpérimental (laboratoire)
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

Citations16
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Testing and EvaluationMême sujetAsphalt Pavement Performance EvaluationTravaux en français237 207