Use of axle load spectra (ALS) for estimating calibration drift in weigh-in-motion (WIM) systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The road agencies collect and submit weigh-in-motion (WIM) data to the Federal Highway Administration as part of their traffic monitoring program. Therefore, the WIM data should be precise and accurate. One way to evaluate WIM measurement errors is by using the test truck data collected immediately before and after equipment calibration. The limitation of this approach is that the data represent a snapshot in time and may not represent a long-term WIM site performance. This paper presents an approach for estimating WIM system accuracy based on axle load spectra attributes (normalized axle load spectra (NALS) shape factors). This alternative approach allows for characterizing temporal changes in WIM data consistency. The WIM error data collected before and after calibration were related to Class 9 NALS shape factors in the proposed methodology. This paper aims to determine WIM system errors based on axle loading without physically performing WIM equipment performance validation using test trucks. The presented methodology can be used to estimate systematic errors (drift) in the WIM system at any point in time after the equipment calibration. This approach can help highway agencies select optimum timings for routine maintenance and calibration of WIM equipment without compromising its accuracy. The results show that the WIM accuracy for the single axle (SA) and tandem axle (TA) can be estimated with SA and TA NALS shape factors with an acceptable degree of error for bending plate to quartz piezo sensors. Examples are included to demonstrate the application and significance of the developed models.
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.
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 | 0,001 | 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 découle