MétaCan
Menu
Retour à la cohorte
Enregistrement W4253462780 · doi:10.32920/ryerson.14655177

Evaluation of Finite Element Software for Pavement Stress Analysis

2021· preprint· en· W4253462780 sur OpenAlexaff
Huan Chen

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEngineering
ThématiqueAsphalt Pavement Performance Evaluation
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésFinite element methodStructural engineeringDeflection (physics)Pavement engineeringSubgradeSlabStress (linguistics)Asphalt pavementSoftwareComputer scienceEngineeringGeotechnical engineeringAsphaltMaterials science

Résumé

récupéré en direct d'OpenAlex

Different approaches are usually taken when designing flexible and rigid pavement: the rigid concrete slab carries major portion of the traffic load; while for flexible pavement, external loads are distributed to the subgrade because of the relatively low modulus of elasticity of asphalt layer comparing to concrete in the case of rigid pavement. Pavement engineering has gone through major developments; the transition from Empirical Design Method to Mechanistic-Empirical Methods is becoming a near-future trend. The Mechanistic-Empirical Method has two components: (1) stress, strain and deflection are calculated based on analyzing mechanical characteristics of materials; (2) critical pavement distresses are quantitatively predicted by experimental calibrated equations. Hence, stress analysis has become an important role in pavement engineering. The most practical and widely used stress analysis method for flexible pavement is Burmister's Elastic Layered Theory; and for analyzing rigid pavement is Finite Element Method. KENSLABS and STAAD-III are both Finite Element software; KENSLABS is designed specifically for concrete pavement stress analysis, therefore it is more user-frielndly for pavement design; STAAD-III is more suitable for general plane and space structures. The project compares the use of both software for stress analysis in rigid pavement in term of simplicity and precision.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,780
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,319
Écart entre enseignants0,264 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
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

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAsphalt Pavement Performance EvaluationTravaux en français237 207