Ensemble and evolutionary prediction of layers temperature in conventional and lightweight cellular concrete subbase pavements
Notice bibliographique
Résumé
Extreme and fluctuating weather has a significant impact on the material properties of flexible pavements. Lightweight cellular concrete (LCC) can effectively mitigate weather effects due to its favourable insulating properties. To date, there has been little research on predicting temperature for different layers of conventional and LCC subbase pavements. This study investigates the application of LCC as a subbase material and its impact on layer temperature. Temperature profiles of two test roads, Erbsville and Notre Dame Drive (NDD), in Canada, have been collected for evaluation. Extreme gradient boosting (XGBoost) and genetic programming (GP) models were employed to forecast layer temperatures of Erbsville control and LCC-subbase sections based on inputs including ambient temperature, day of the year and constant depth. Shapley adaptive explanations (SHAP) were utilised for XGBoost, and parametric analysis was conducted for GP. Results indicated the superior performance of XGBoost (R2> 0.98, MAE < 1.5°C) over GP (R2> 0.97, MAE < 1.87°C), with both models demonstrating better predictive accuracy for LCC-subbase compared to the control section. SHAP, parametric analysis and external validation using NDD sections further validated the models' effectiveness in predicting temperatures for both control and LCC sections at various densities up to a depth of 0.8 m.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».