Novel Soft-Computing Approach to Better Predict Flexible Pavement Roughness
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
Road infrastructures are fundamental parts of peoples’ lives, allowing them to access various destinations and activities. Accordingly, infrastructure should be in an appropriate condition. A pavement maintenance plan should be optimized, and pavement condition should be predicted accurately to obtain optimal pavement maintenance solutions. Therefore, the prediction of pavement conditions with high accuracy has been an immense concern. This study aims to introduce a new approach to accurately predict pavement international roughness index (IRI) over the long term. To this end, all the vital parameters, including initial IRI, pavement age, lane width, traffic loadings, structural characteristics, climatic features, and pavement distresses, are considered. With all the vital parameters, the prediction problem includes 58 variables. Thus, the application of a proper feature-selection technique is vital. To this end, a novel hybrid feature-selection method is introduced by a combination of arithmetic optimization algorithm and stochastic gradient descent regression (AOA-SGDR). Moreover, the performance of the proposed feature-selection method is compared with Lasso and all features. Five machine-learning algorithms, including random forest regression (RFR), support vector machine, multi-layer perceptron, decision-tree regression, and multiple linear regression, are employed for the prediction process. By employing AOA-SGDR, the average testing-data mean absolute error (MAE) reduces by at least 7.92%. Meanwhile, RFR provides the highest accuracy, with average testing-data MAE of 0.095 m/km. Moreover, analyzing the parameters indicates that initial IRI, pavement age, equivalent single axle load (ESAL), and structural number (SN) have the most significant relative influence on IRI.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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