Full-Car Roughness Index as Summary Roughness Statistic
Notice bibliographique
Résumé
The international roughness index (IRI) and the half-car roughness index (HRI) are the two commonly used roughness indices for pavement management, decision making, prioritization, budgeting, and planning. This work presents a new statistic, termed the full-car roughness index (FRI), for calculation of roughness from longitudinal pavement profiles. FRI is calculated from a single, equivalent profile that is a composite of four corner profiles based on both civil and mechanical engineering principles. More specifically, the full-car (four-wheel) model combines the rear and front suspension systems through an interdependent relation of motion with the longitudinal axle. To validate this model, the FRI values for different pavement sections are determined for sampling roughness measurements from several states and provinces. Then, the behavior of FRI is compared with that of IRI and HRI. The methodology of assessment uses a Monte Carlo simulation for calibration and validation of the index. Correlations derived from this sensitivity analysis on the basis of regression analysis arrive at a conversion chart to propose conversion values from these indices to FRIs. Overall, this paper suggests that the mechanical response of the proposed full-car model is more representative of the characteristics of a real vehicle than the response of a quarter- or half-car model. The results also indicate that FRI is less sensitive to the governing factors that account for the quarter-car simulation and thus provides an index that is unique, insightful, and more effective in the characterization of ride quality.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».