Prediction of asphalt pavement performance based on DEPSO-BP neural network
Notice bibliographique
Résumé
With the application of machine learning rapidly gaining popularity in computer science and other fields, neural network techniques have successfully simulated the performance of in-service pavements as they are efficient in predicting and solving nonlinear relationships and in dealing with uncertain large-area pavement problems. In this paper, we address the problem of the optimal timing of preventive maintenance of asphalt pavements to accurately predict the condition index (pavement condition index, PCI) of highway asphalt pavements and develop a highly accurate, long-period, multifactor prediction model with the suitability of preventive maintenance at its core. The prediction model is called differential evolution particle swarm optimization back propagation (DEPSO-BP) neural network, and the input dimension of the prediction model is determined by gray correlation analysis (GCA), and DEPSO is used to improve the search efficiency of BP neural network and the asphalt pavement usage performance with parameter continuity prediction model. Finally, the Qinglan Highway (G22) PCI of Gansu Province, China, is selected for example validation, and the prediction results are compared with those of the four models. The results show that the multifactor prediction model based on DEPSO-BP neural network has good generalization ability. This model is important for improving the economic efficiency of road maintenance, and can be used in the long-cycle process to provide model reference and scientific basis for the subsequent road maintenance budget application and decision-making scheme.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».