MétaCan
Menu
Retour à la cohorte
Enregistrement W4313824560 · doi:10.3390/su15021157

Designing and Building an Intelligent Pavement Management System for Urban Road Networks

2023· article· en· W4313824560 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueSustainability · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Maintenance and Monitoring
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésTransport engineeringComputer scienceLidarData collectionFacadeCivil engineeringEngineeringRemote sensing

Résumé

récupéré en direct d'OpenAlex

Pavement maintenance plays a significant role in megacities. Managing complaints and scheduling road reviews are the two maintenance concerns under the intelligent pavement management system (PMS) plan. In contrast, if the damages are not treated immediately, they will increase over time. By leveraging accurate data from sensors, smart PMS will improve management capability, support sustainability, and drive economic growth in the road network. This research aimed to elaborate on the different modules of an intelligent city pavement network to advance to a sustainable city. First, a 3D mobile light detection and ranging (LiDAR) sensor, accompanied by a camera, was applied as the data collection tool. Although 3D mobile LiDAR data have gained popularity, they lack precise detection of pavement distresses, including cracks. As a result, utilizing RGB imaging may help to detect distresses properly. Two approaches were integrated alongside conducting the data analysis in this paper: (1) ArcGIS pro, developed by Esri Inc., which includes noise removal, digital elevation model (DEM) generation, and pavement and building footprint extraction; (2) the Mechanistic-Empirical Pavement Design Guide (AASHTOWare PMED), which was used to assess site specifications such as traffic, weather, subbase, and current pavement conditions in an effort to design the most appropriate pavement for each road section. For the 3D visualization module, CityEngine (a software from Esri) was used to provide the 3D city model. After implementing the research methodology, we drew the following conclusions: (1) using the AASHTOWare PMED method to make decisions about road maintenance and rehabilitation(M&R) actions can significantly speed up the decision-making process, essentially saving time and money and shortening the project’s duration; and (2) if the road conditions are similar, the smart geographical information system (GIS)-based PMS can make consistent decisions about road M&R strategies, i.e., the interference from human factors is less significant.

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 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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,546
Score d'incertitude au seuil0,667

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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)0,0000,000

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 Opus0,008
Tête enseignante GPT0,242
Écart entre enseignants0,235 · 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