Incorporating Maintenance and Rehabilitation History into Pavement Performance Modeling for Jointed Plain Concrete Pavement
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
In order to ensure good quality and well-maintained road, regular maintenance and rehabilitation (M&R) of pavement is mandatory. The Long Term Pavement Performance (LTPP) database has the most comprehensive pavement performance data along with its M&R history for more than 2,500 pavement sections throughout the United States and Canada. The artificial neural networks (ANNs) modeling approach has been used in recent years for the prediction of pavement performance. However, most pavement performance modeling does not consider the M&R history in the model development. As such, this paper aims to exhibit a methodology to determine pavement performance incorporating maintenance and rehabilitation history using the LTPP database and ANN modeling approach. The models will be developed using data collected from the LTPP database for jointed plain concrete pavement (JPCP) from the wet, non-freeze climatic region. The M&R history is denoted as construction number (CN) in the LTPP database. The hypothesis testing demonstrated M&R treatment has a significant effect on pavement performance. Several models will be attempted to evaluate the best way to include M&R history by changing the CN variable from the LTPP database. The use of M&R history in pavement performance modeling reflects more realistic pavement conditions in the model development process. The developed models will establish better accuracy in the prediction of future pavement conditions. This can be beneficial to the policymaker for short-term and long-term budget allocation in the M&R treatment of highway pavements.
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