Evaluation of Selected Empirical Models for Asphalt Pavement Temperature Prediction in Tropical Climate: The Case of Ghana
Notice bibliographique
Résumé
Asphalt pavement temperature has several applications, including pavement structural design and evaluation, asphalt mixture design, asphalt binder grade determination and material aging characterization. However, available asphalt pavement temperature prediction models were mostly developed for temperate climatic conditions, outside of the tropics. Before such models are adopted for use in a tropical climate, their applicability must be evaluated. This study evaluated five empirical asphalt pavement temperature prediction models developed by Lukanen et al. [1], Park et al. [2], Diefenderfer et al. [3], Taamneh [4] all in the United States and Asefzadeh et al. [5] in Canada to ascertain their prediction accuracy in tropical climate, using Ghana as a case study. In-situ asphalt pavement temperature data were measured at two sites for eight months: Kumasi and Tamale in the Forest and Savannah climatic zones, respectively. The measured pavement temperature data were statistically compared with predicted temperatures, and it was found that the Park et al. [2] model provided a more accurate pavement temperature prediction in both climatic zones. The other models either over-predicted or under-predicted asphalt pavement temperature with significant error margins. However, there is a need to improve the prediction accuracy of the Park et al. [2] model or a local model developed.
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 | 0,004 | 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 | 0,001 |
| 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 ».