Impact of seasonally changing variables on structural capacity and functional property of pavement
Notice bibliographique
Résumé
The study is performed to identify the most important variables that impact the structural and functional properties of pavements in four climatic zones of the US and Canada utilizing data from the Long-Term Pavement Performance database. In addition to the LTTP’s Seasonal Monitoring Program (SMP) data, this study used the Modern-Era Retrospective Analysis for Research and Applications (MERRA) data. MERRA is created by the National Aeronautics and Space Administration (NASA) for its research needs. Random forest model was used to identify variables with the most impact combined with a multiple linear regression main effect model to quantify the impact of the most important variables. Resilient modulus of the pavement top layer and the International Roughness Index (IRI) of the pavement surface were used for structural and functional properties respectively. For asphalt pavement resilient modulus, the critical climatic factors were different in the four climatic zones and the temperature related variables were found to be the most important. For rigid pavements, the variation was low for different climatic zone and also the impact of climatic variables was found not to be as significant. For asphalt pavement IRI, 80% of the important variables were the same for all climatic zones and also apart from soil temperature layer 6 from the MERRA data, the impact of other climatic variables was reduced. For rigid pavement IRI, there was only one analysis for all zones due to lack of data. Thus, the impact of zonal variance cannot be explained.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».