MétaCan
Menu
Retour à la cohorte
Enregistrement W4403436832 · doi:10.1080/10298436.2024.2414063

Various methods to correlate the state of practice asphalt mixture laboratory aging conditioning methods with field aging durations

2024· article· en· W4403436832 sur OpenAlexaff
Lijun Sun, Runhua Zhang, Xingyu Gu, Rui Wang, Qifeng Yang, Weiguang Zhang, Peng Lin, Di Wang, Wei Cai, Yaohan Liu, Hui Chen

Notice bibliographique

RevueInternational Journal of Pavement Engineering · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAsphalt Pavement Performance Evaluation
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésAsphaltSpallCrackingAsphalt pavementRheologyFatigue crackingField (mathematics)Geotechnical engineeringAccelerated agingEnvironmental scienceForensic engineeringMaterials scienceComposite materialEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

The aging of asphalt pavements leads to less flexible asphalt mixtures that are prone to cracking and spalling. In this study, the relationship between lab and field aging was evaluated based on both theoretical asphalt aging models and practical asphalt and asphalt mixture performance tests. The results show that the corresponding field aging duration calculated using the mixture testing, especially the cracking test, is more conservative than the traditional aging models or binder rheological measurements. 5 and 12 days appear to simulate 16 and 38 years of field aging (in New Hampshire) for the top 12.5 mm pavement, respectively, based on the asphalt binder test results. In contrast, the theoretical aging model considers climatic conditions and suggests that 5 and 12 days simulate in-field aging of 6.2 and 15.0 years, respectively. The asphalt mixture test results indicate that the laboratory aging conditions simulate minimal field aging durations. This is because the damage to the asphalt pavement structure caused by climatic conditions and traffic loads is fully considered. This could be very useful for designing a more reliable and durable pavement incorporating intricate field conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,346
Écart entre enseignants0,337 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Pavement EngineeringMême sujetAsphalt Pavement Performance EvaluationTravaux en français237 207