Predicting the Resilient Modulus of Unbound Granular Materials by Neural Networks
Notice bibliographique
Résumé
The process of pavement design requires the provision of material properties. For mechanistic'empirical design methods, the resilient modulus represents the most suitable alternative for describing the behavior of aggregate materials commonly used in sub-base and base layers. However, the adoption of the resilient modulus has been slow due to the complicated nature of the laboratory test used to obtain the parameter and its cost. Attempts to correlate the resilient modulus to the widely used California Bearing Ratio and otherempirical parameters in the past fall short of providing reasonably accurate estimates of the parameter. With the renewed interest in using the resilient modulus as advocated by the AASHTO 2002 Guide, a quick and inexpensive solution to providing accurate estimates of this parameter is needed. This paper presents the artificial neural network (ANN) technique as a promising method that can help designers have a good first-step estimation of the resilient modulus based on data accumulated over the years. The study highlights the use of the ANN technique, which utilizes simple parameters as input to predict the resilient modulus ofunbound granular materials. Results of ANN simulations confirm the potential of the technique to predict the resilient modulus of compacted samples tested at various compaction densities, states of stress and moisture contents. Such a tool represents an attractive alternative to laboratory testing for small jurisdictions with limited budgets and personnel.
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 ».