Application of the Machine Learning Method to Determine Spring Load Limits and Winter Weight Premium
Notice bibliographique
Résumé
Freight transportation plays a crucial role in sustaining the Canadian economy. However, heavy truck transportation also puts enormous pressure on roadway networks. Spring Load Restrictions (SLR) are implemented to minimize road damage caused by heavy traffic during the thaw-weakening season, and Winter Weight Premium (WWP) is used to reduce the impact of SLR on trucking operations by allowing higher axle loads in winter. However, existing policies apply fixed dates each year for these restrictions, regardless of the actual structural capacity of the pavement. Different methods have been proposed to improve the application of SLR and WWP; however, they rely mainly on indirect indices, such as the cumulative thawing index and cumulative freezing index, which pose challenges in their calculation. This study explores the practical implementation of machine learning models for accurately determining the start and end dates of SLR and WWP. In a novel approach, machine learning models directly derive the start and end dates of SLR and WWP from frost and thaw depths in the pavement structure which are determined by pavement temperature and moisture content. In contrast to previous studies that neglected the influence of soil moisture content on determining the start and end dates of SLR and WWP, this study examines the variation in soil moisture content to evaluate the validity of existing theories. The findings reveal a high level of agreement between the machine learning model’s estimations of frost and thaw depths and the measured values, with R 2 values exceeding 0.91.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».