Approaches for local calibration of mechanistic-empirical pavement design guide joint faulting model: a case study of Ontario
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle