Approaches for local calibration of mechanistic-empirical pavement design guide joint faulting model: a case study of Ontario
Notice bibliographique
Résumé
The Mechanistic-Empirical Pavement Design Guide (MEPDG) has been employed by agencies as an innovative method for pavement design since the National Cooperative Highway Research Program (NCHRP) Project 1-37A was implemented in 2004. Over the years, the MEPDG has evolved into the AASHTOWare Pavement ME Design software (AASHTOWare®). Local calibration of the performance models in the AASHTOWare® is a crucial and challenging task to improve the effectiveness of its application. The accuracy of the calibration depends on efficient methods and validation processes. This paper aims at developing local calibration methods for joint faulting prediction model of Jointed Plain Concrete Pavement (JPCP). This study not only focuses on improving the prediction accuracy of the joint faulting model but also demonstrating the various optimisation procedures in detail. A total of 27 representative JPCP sections were used in the processes of calibration. Three optimisation approaches were used: (1) One-At-a-Time (OAT) through the trial-and-error procedure, (2) generalised reduced gradient (GRG) using MS Excel® Solver, and (3) Levenberg-Marquardt Algorithm (LMA) fitting the functions. The prediction accuracy of local models was improved as compared with the global ones. Average Bias (AB) reduced from 0.3083 to 0.0578, and Standard Error of the Estimate (SEE) reduced from 0.3345 to 0.1912. Among the three local calibration approaches, approach 2 and approach 3 had more significant improvement on results than approach 1. Finally, the integral procedures were provided for local calibration in Ontario.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».