Pavement Sections’ Reliability Based on Deterioration Model Using Artificial Neural Network (ANN)
Notice bibliographique
Résumé
Pavement distresses, such as cracks and ruts, reduce pavements’ effectiveness and serviceability and can lead to failure. This underlines the importance of predicting pavements’ deterioration in pavement management systems (PMSs) for effective maintenance and rehabilitation (M&R) strategies. Consequently, it is essential to understand the concept of service life, which represents how long a pavement will remain in service based on how reliable it is. This study introduces a pavement deterioration model using data from the Long-Term Pavement Performance program for the international roughness index (IRI) and other factors. Different machine learning methods were utilized in developing the model to incorporate eight factors that significantly affect pavement roughness; these methods are: linear regression, regression tree, Gaussian Process Regression (GPR), Support Vector Machine (SVM), Ensemble Trees, and Artificial Neural Network (ANN). For comparison, the models’ performances were evaluated using Root Mean Squared Error (RMSE), Mean Squared Error (MSE), and R squared (R2). The weights and biases of the best model and the Federal Highway Administration (FHWA) recommended IRI ranges were utilized to create the limit state function. A reliability analysis using Monte Carlo Simulation (MCS) was determined to calculate the sections’ probability of failure. This study concluded that pavement sections in the US and Canada are reliable and that the mean yearly Kilo Equivalent Single Axle Load (KESAL) significantly contributes to pavement failure. Keywords: Pavement deterioration, IRI, Machine learning, Neural network, Pavement reliability, Probability of failure.
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 | 0,000 | 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 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 ».