Performance of Weigh-in-Motion (WIM) Sensors in Rigid and Flexible Pavements and Guidelines for Recommended Pavement Thickness
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 performance of a WIM site mainly depends on sensor technology, pavement conditions, calibration, and maintenance practices. An adequate pavement structure is required to install and accommodate WIM system sensors throughout their service life. WIM sensor manufacturers suggest that the plate-based sensors [load cells (LC) and bending plate (BP)] should only be installed in Portland cement concrete (PCC) pavements, while the linear or strip type sensors [such as polymer piezo (PP) or piezo cable (PC), and quartz piezo (QP)] could be installed on both PCC and asphalt concrete (AC) pavements. This paper evaluates the influence of pavement surface thickness on WIM accuracy data for different sensor types and suggests adequate thicknesses for WIM stations installed in PCC and AC pavements based on the data. Data from ninety-four (94) WIM stations in the United States and Canada are used for WIM accuracy and pavement thickness analyses. For 18 sites, BP sensors are installed in PCC pavements. Out of 29 total QP sensor sites, 6 and 23 had PCC and AC pavements. In contrast, 19 PC sites have PCC pavements, and the remaining 28 sites have AC pavements. The results show that BP sensors can be installed in 10 in. or thicker PCC slabs to yield ASTM type I accuracy. Irrespective of pavement type, 8 in. or above (PCC or HMA thickness) is recommended for QP sensors to obtain highly accurate WIM data. No consistent trends were observed for PC sensors, as the sites showed significantly higher gross vehicle weight error even after calibration in both AC and PCC 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