Predicting Pavement Condition Index Using Fuzzy Logic Technique
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
The fuzzy logic technique is one of the effective approaches for evaluating flexible and rigid pavement distress. The process of classifying pavement distress is usually performed by visual inspection of the pavement surface or using data collected by automated distress measurement equipment. Fuzzy mathematics provides a convenient tool for incorporating subjective analysis, uncertainty in pavement condition index, and maintenance-needs assessment, and can greatly improve consistency and reduce subjectivity in this process. This paper aims to develop a fuzzy logic-based system of pavement condition index and maintenance-needs evaluation for a pavement road network by utilizing pavement distress data from the U.S. and Canada. Considering rutting, fatigue cracking, block cracking, longitudinal cracking, transverse cracking, potholes, patching, bleeding, and raveling as input variables, the variables were fuzzified into fuzzy subsets. The fuzzy subsets of the variables were considered to have triangular membership functions. The relationships between nine pavement distress parameters and PCI were represented by a set of fuzzy rules. The fuzzy rules relating input variables to the output variable of sediment discharge were laid out in the IF–THEN format. The commonly used weighted average method was employed for the defuzzification procedure. The coefficient of determination (R2), root mean squared error (RMSE), and mean absolute error (MAE) were used as the performance indicator metrics to evaluate the performance of analytical models.
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 | 0,001 |
| 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