MétaCan
Menu
Retour à la cohorte
Enregistrement W4239058031 · doi:10.32920/ryerson.14647674.v1

Flexible Pavement Performance Evaluation in Ontario: an Overview

2021· preprint· en· W4239058031 sur OpenAlexaboutno aff
Muzaffar Hassan

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEngineering
ThématiqueInfrastructure Maintenance and Monitoring
Établissements canadiensnon disponible
Organismes subventionnairesWorld Bank Group
Mots-clésPavement managementInternational Roughness IndexServiceability (structure)Pavement engineeringRide qualityOverlayTransport engineeringEngineeringComputer scienceAutomationConsistency (knowledge bases)Reliability engineeringCivil engineeringAsphaltSurface finishArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Measuring pavement performance is a major component of the pavement management system. It assists in decision-making for finding the optimum strategies to provide, evaluate, and maintain serviceability in an acceptable condition cost effectively. The Ontario Ministry of Transportation (MTO) has been systematically rating pavement performance since the mid-1960s. Pavement condition survey involves measurement of two physical parameters: ride quality of pavement surfaces, and the extent and severity of pavement distress manifestations. The pavement ride quality can be measured with an acceptable level of consistency and repeatability through automation. However, achieving consistency in the evaluation of pavement distress manifestations is a challenging task because the automation that could accurately and consistently detect, quantify and record surface distresses is not fully developed is spite of rapid advances in video imagery and non-contact sensing devices. This report evaluates the progress made over the past three decades in the key areas of Distress Manifestation Index, Riding Comfort Rating, Pavement Condition Index and second generation Pavement Management System (PMS2). A review of the Ministryʼs network-level pavement performance database is presented, emphasizing pavement condition surveys, prediction models and main factors influencing assessment of long-term pavement performance. Several key issues related to the quality control and quality assurance of the pavement roughness are discussed with reference to the verification techniques used by the MTO. Based on the literature review, future recommendations for possible improvements of the prediction models and techniques used for the evaluation of pavement performance are presented in order to obtain more consistent values.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,088
Score d'incertitude au seuil0,209

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0100,019
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,059
Tête enseignante GPT0,291
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInfrastructure Maintenance and MonitoringTravaux en français237 207