Estimation of the Depth of Flexible Pavement Layers Using Artificial Neural Network
Notice bibliographique
Résumé
Transportation infrastructure is a vital component in achieving economic growth and nations' development.Pavement structures constitute major component in the infrastructure.The purpose of the study is to provide a model that can estimate the thickness of the flexible pavement layers based on; the estimated number of 18000 lb single axle load application (W18), resilient modulus of the subgrade (Mr), modulus of elasticity of the three layers (EAC, Ebase, and Esubbase) using Artificial Neural Network (ANN).since that the developed standards by AASHTO 1993 of designing flexible pavement do not provide a direct and a simple way in estimating the thickness of the three layers of flexible pavement (asphalt concrete, base, and subbase layers).Although the American Association of State Highway and Transportation Official (AASHTO) 1993 empirical procedure is an old method and has some limitations, it has been used instead of the Mechanistic Empirical Pavement Design Method Guide (MEPDG).Since the it is simpler than the MEPDG, where the MEPDG requires a lot of data in which is not always available for different transportation agencies in most of the developing countries.The results of the ANN model show a decent prediction of the depths of flexible pavement layers, since the R2 value is 0.99 (close to 1.0) and the MSE value is 0.28 (close to zero), which indicates strong correlation, accuracy, and low inconsistency between the observed and predicted thickness of the flexible pavement layers.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».