Using Artificial Intelligence for Block Maintenance of Pavement Segments with Similar Degradation Profile
Notice bibliographique
Résumé
The Roads Management System of the Ministry of Transportation, Sustainable Mobility and Transport Electrification (MTMDET) of Québec in Canada uses empirical models to simulate the deterioration of the roads' network. This network consists of segments of roads, which are grouped into clusters that have similar degradation profiles. These models are applied in order to predict the roads' deterioration, and to estimate the needs for maintenance, as well as to plan for the necessary budget, according to different investment scenarios. Some of these segments' clusters are not sufficiently well defined by the current explanatory variables, such as the segments' structural categories, the functional classes of roads, and the levels of traffic, in order to be adequate predictors of segments' deterioration. This paper presents a project that was accomplished in order to solve the segments' clustering problem that aims at reducing the variability of the performance indices (PI) of segments that belong to the same cluster, at the same age, or at similar profile of degradation. Thus, the paper focuses on the problem of clustering road segments whose deterioration is similar, by using artificial intelligence techniques. Specifically, it aims at finding the profiles that best describe segments with similar degradation, and the analysis of this degradation over time. A unique segment's identifier, several performance indices (PI), a set of characteristic factors, and the age at the time of collecting an observation, describe each road's segment. The results show that using artificial intelligent techniques leads to better clustering of the roads' segments and to a decrease in the variability of the performance indices within the same cluster.
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 ».