Ensemble and evolutionary prediction of layers temperature in conventional and lightweight cellular concrete subbase pavements
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
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.
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 découle