Designing and Building an Intelligent Pavement Management System for Urban Road Networks
Notice bibliographique
Résumé
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».