Integrating Machine Learning for Improved Prediction of Temperature and Moisture in Pavement Granular Layers
Notice bibliographique
Résumé
ABSTRACT Pavement temperature and moisture content within the base and subgrade layers affect the load-bearing capacity of the pavement and dominate the pavement performance in cold regions. Accurately predicting pavement temperature and moisture content can improve pavement design and management. Conventional approaches, including numerical and statistical models, have been implemented to predict pavement temperature and soil moisture content. However, they have weaknesses, such as being only suitable for warm regions or only for predicting pavement temperature within the asphalt layer. Furthermore, none of them can simultaneously predict the pavement temperature and moisture content. To address this issue, data collected from an instrumented test road in Alberta, Canada, were used to train a model to predict the daily average pavement temperature and moisture content at various depths through three parameters, namely depth, day of the year, and air temperature. The MATLAB toolbox, Neural Net Fitting, was used, and the performance of three built-in algorithms, Levenberg–Marquardt, Bayesian regularization, and Scaled conjugate gradient backpropagation, was compared. The model with Bayesian regularization showed the highest accuracy, with an R2 value of 0.99 and a root mean square error (RMSE) of 1.49°C for pavement temperature prediction, and an R2 value of 0.95 and an RMSE of 0.025 m3/m3 for moisture content prediction. The model developed in this research is the first to simultaneously estimate pavement temperature and moisture content, so its performance was separately compared with two existing models in the literature. The artificial neural network (ANN) model shows higher accuracy than the two existing models, so it was found that the ANN could be a robust method for pavement temperature and moisture content prediction at various depths.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».