A New Ensemble Prediction Method for Reclaimed Asphalt Pavement (RAP) Mixtures Containing Different Constituents
Notice bibliographique
Résumé
Fatigue and rutting are two common damage types in asphalt pavements. Reclaimed asphalt pavement (RAP), as a sustainable approach in the pavement industry, deals with the foregoing damage. Fatigue and rutting characteristics of asphalt pavement are generally assessed using laboratory tests, taking a long time and consuming significant amounts of raw material. This study aims to propose a novel approach for predicting fatigue and rutting performance of RAP mixtures. A new ensemble prediction method, named COA-KNN, is introduced by combining the coyote optimization algorithm and K-nearest neighbor to increase the accuracy of fatigue and rutting prediction. In order to evaluate the accuracy, the proposed method was compared against robust prediction methods, including random forest (RF), gradient boosting (GB), decision tree regression (DT), and multiple linear regression (MLR). Afterward, the influence of each variable on the mentioned damages is examined, and the variables are ranked based on their relative influence on the mentioned damages. The results suggest that COA-KNN outperformed other prediction techniques when comparing different performance indicators. Total binder content in asphalt mixes and the PG span of the virgin binder added to the recycled asphalt mixture had the highest relative influence on fatigue and rutting performance, respectively.
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 | 0,001 | 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 ».