International Roughness Index Modeling utilizing Adaptive Neuro-Fuzzy Inference System (ANFIS)
Notice bibliographique
Résumé
As an essential component of pavement management systems (PMS), deterioration models have been adopted for predicting future conditions of pavement sections. It assists in selecting the best maintenance, repair, and rehabilitation decisions. As a result of the formation and growth of distresses such as cracks and rutting, pavement deterioration reduces serviceability and results in the failure of pavement sections. This paper aimed to develop a pavement condition forecasting model based on a pavement performance indicator called the international roughness index (IRI). The Long-term pavement performance (LTPP) database was used to obtain historical IRI data for pavement sections, including pavement sections in the United States (US) and Canada. Additionally, other pavement characteristics were collected to be used as model inputs, such as pavement age, annual precipitation, annual temperature, Freezing Index, Freeze Thaw, annual Average Humidity min, annual Average Humidity max, wind speed, the ratio of AADTT to AADT, KESAL, and SN. ANOVA analysis was implemented to select the most significant factors to include in the model. Moreover, Adaptive Neuro-Fuzzy Inference System (ANFIS) method was applied to develop the deterioration model. In preparation for model development, the dataset was cleansed and preprocessed. In addition, the data was split into 85% training and 15% testing. The ANFIS model analysis was performed using MATLAB software. The developed model's performance was measured using mean squared error (MSE), root mean squared error (RMSE), and mean absolute percentage error (MAPE), and it was found to be 0.019, 0.139, and 0.0983, respectively. This study concluded that ANFIS was able to model pavement conditions effectively.
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 ».