Factors Influencing Pavement Friction during Snowstorms
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
Operating an effective winter road maintenance program is a necessity for cities that face severe winter seasons. Snowstorms leave roads in a slippery surface condition that disrupts traffic flows and compromises drivers’ safety. Decision-makers use a variety of tools to control snow and ice on the roads, which include applying anti-icing chemicals before snowstorms, applying deicing substances on fresh snow, and clearing snow off the roads using snowplows. However, the influence of these tools on improving the overall road surface conditions has not been investigated. In this study, a location-specific and event-based framework was utilized to understand the impact of the different weather variables as well as maintenance operations on the variability of the pavement friction coefficients during snowstorms in urban environments. Using multilinear regression and ordinary least squares, friction coefficient models were calibrated. The final model was found to be a good fit for the data (R2 = 0.723). The model showed that the total precipitation during snowstorms, extremely low temperatures, and the potential for black ice formation worsen pavement friction significantly. On the other hand, plowing operations, the application of anti-icing chemicals before snowstorms, and frequent deicing operations all have a statistically significant impact on improving pavement friction. The model presented in this paper can be used to predict pavement friction on urban arterial and collector roads during snowstorms of different magnitudes, which could help the authorities in predicting the road surface conditions during forecasted snowstorms and deciding on the best course of action under these conditions.
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