An Overview of Pavement Degradation Prediction Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pavement management systems (PMSs) have a primary role in determining pavement condition monitoring and maintenance strategies. Moreover, many researchers have focused on pavement condition evaluation tools, starting with data collection, followed by processing, analyzing, and ultimately reaching practical conclusions regarding pavement condition. The analysis step is considered an essential part of the pavement condition evaluation process, as it focuses on the tools used to find the most accurate results. On the other hand, prediction models are important tools used in pavement condition evaluation to determine the current and future performance of the road pavement. Therefore, pavement condition prediction has an effective and significant role in identifying the appropriate maintenance techniques and treatment processes. Moreover, pavement performance indices are commonly used as key indicators to describe the condition of pavement surfaces and the level of pavement degradation. This paper systematically summarizes the existing performance prediction models conducted to predict the condition of asphalt pavement degradation using pavement condition indexes (PCI) and the international roughness index (IRI). These performance indices are commonly used in pavement monitoring to accurately evaluate the health status of pavement. The paper also identifies and summarizes the most influencing parameters in road pavement condition prediction models and presents the strength and weaknesses of each prediction model. The findings show that most previous studies preferred machine learning approaches and artificial neural networks forecasting and estimating the road pavement conditions because of their ability to deal with massive data, their higher accuracy, and them being worthwhile in solving time-series problems.
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.
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 découle