Predicting Rutting Development of Pavement with Flexible Overlay Using Artificial Neural Network
Notice bibliographique
Résumé
Pavement maintenance and repair is a crucial part of pavement management systems. Accurate and reliable pavement performance prediction is the prerequisite for making reasonable maintenance decisions and selecting suitable repair schemes. Rutting deformation, as one of the most common forms of asphalt pavement failures, is a key index for evaluating the pavement performance. To ensure the accuracy of the commonly used prediction models, the input parameters of the models need to be understood, and the coefficients of the models should be locally calibrated. This paper investigates the prediction of the rutting development of pavements with flexible overlays based on the data of the Canadian Long-Term Pavement Performance (C-LTPP) program. Pavement performance data that may be related to rutting were extracted from the survey of Dipstick for data analysis. Then, an artificial neural network (ANN) was adopted to analyze the factors affecting the rut depth, and to establish a model for the rutting development of pavements with flexible overlays. The results of the sensitivity analysis indicate that rutting is not only affected by traffic and climatic conditions, but it is also greatly affected by the thickness of the surface layer and voids in the mixture. Finally, a rutting evaluation index was provided to describe the rutting severity, and the threshold of the pavement maintenance time was proposed based on the prediction results. These results provide a basis for predicting rut development and pavement maintenance.
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 | 0,001 |
| 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 ».