Evaluation of Dynamic Modulus of HMA Sigmoidal Prediction Models and Optimization by Approach of U.S. Mesh Sieve by AFNOR and LC Mesh Sieve
Notice bibliographique
Résumé
Pavement design tools are not universal. Indeed, in the sizing of pavements in the USA, the prediction models used in the calculation of the dynamic modulus of HMA are not adapted to the characterization of the mineral skeleton of the HMA mix designed with the French method. This article aims to assess the predictive models of the dynamic modulus used in the mechanistic-empirical design for their use in the design of bituminous pavements, and to develop new predictive models taking into account the sieve series LC and AFNOR standards. A total of six types of mixtures were subjected to the determination of complex modulus testing by direct tensile-compression on cylindrical specimens (26-700 LC) over a temperature range (5) and frequency (5) data. Dynamic modulus prediction models |E*| are studied Witczak model 1999 and model Witczak 2006. These models do not take into account the AFNOR or LC mesh sieve, an approach was made in relation to the US mesh sieve to replace ρ200 (0.075 mm), ρ4 (4.76 mm), ρ38 (9.5 mm) and ρ34 (19 mm) respectively by the AFNOR mesh P0.08 (0.08 mm), R5 (5 mm), R10 (10 mm) and R14 (14 mm). The result is the production of two models whose are evaluated by correlation with the values |E*| of modulus measured in the laboratory is satisfactory (R2 = 0.83 respectively R2 = 0.71 and p-value = 0.00). The optimization of these approximate models gave new models with the same frame as the original models and a better correlation with the data observed in the laboratory (respectively R2 = 0. 95 and R2 = 0.91 p-value = 0.00).
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 | 0,001 | 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 | 0,001 |
| 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 ».