Integrated predictive artificial neural network fatigue endurance limit model for asphalt concrete pavements
Notice bibliographique
Résumé
Asphalt endurance limit is a strain value if experienced by asphalt pavement layer, no accumulated damage will occur and is directly related to asphalt healing. Therefore, if the pavement experiences this value of strain, or lower, no fatigue damage would accumulate within that pavement section. Beam fatigue test data conducted under the NCHRP Project 9-44A were extracted and utilized to create an artificial neural network predictive model (ANN) to determine the endurance limit strain values for conventional asphalt concrete pavements. The developed ANN model architecture as well as how to utilize it to predict the endurance limit were demonstrated and discussed in detail. Also, a stand-alone equation that is capable in the prediction of the endurance limit strain value, separate from the ANN model environment, was derived utilizing the eclectic extraction approach. The model training and validation data included 934 beam fatigue laboratory data points, as extracted from NCHRP Project 9-44A report. The developed model was able to determine the endurance limit strain value as a function of the stiffness ratio, number of cycles to failure, initial stiffness and rest period, and had a reasonable coefficient of determination (R 2 ) value, which indicates the reliability of both the developed ANN model and the stand-alone equation. Furthermore, a correlation between the endurance limit strain values, as predicted utilizing the generated regression model under the NCHRP project 944-A, and the endurance limit strain values predicted utilizing the stand-alone ANN derived equation was found with a high R 2 value.
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 | 0,000 |
| Science ouverte | 0,000 | 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 ».