Investigating Pavement Maintenance and Rehabilitation Requirement Based on Material Types and Traffic Levels through an Application of Probabilistic Approach for Ontario Highways
Notice bibliographique
Résumé
In a pavement management system (PMS), time to maintenance is generally estimated based on the predicted condition of the pavement. Usually a deterministic approach is applied in the PMS to estimate the time to maintenance by following the deterioration equation of the performance index. However, it is necessary to be aware of the probability of failure to investigate whether the estimated time to maintenance by the deterministic approach is reasonably probable. For this reason, a probabilistic approach is applied in this study to estimate the probability of failure over the estimated time to maintenance. In this approach, the probability of failure is estimated from the distribution of the mean time to maintenance by considering both the overall condition of the pavement and individual instances of distress. These mean times to failure or maintenance are calculated from the overall condition of pavement in relation to the pavement condition index (PCI) when the trigger value becomes 65 or less. A pavement may be expected to fail, however, because of any specific distress before it reaches the PCI trigger value for maintenance. For this reason, the probability of failure of each specific distress is also investigated by using a Monte Carlo simulation. It is found that the survival probability up to the fifth year is approximately 80% to 90% for each category of traffic and material type based on the overall condition, and the probability of failure for individual distress is very low over the performance cycle.
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 | 0,002 | 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 | 0,001 |
| 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 ».