Long short‐term memory‐based real‐time prediction models for freezing depth and thawing time in unbound pavement layers
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
The prediction of freezing depth and thawing time of unbound pavement layers in cold regions is a critical task in pavement design and management. This study developed long short-term memory (LSTM)-based encoder–decoder models to accurately predict freezing depth and thawing time, with air temperature as the sole input variable. The models, which aim to offer a 14-day advance prediction of the thawing time for effective pavement management, utilized data from the Long-Term Pavement Performance program's database, provided by the Federal Highway Administration in United States. This database contains extensive records on air temperature and freezing states. The LSTM models were trained using data collected from four regions in North America with severely cold winters (Quebec, Minnesota, Ontario, and Maine) and subsequently validated using data from both severely cold (South Dakota and Vermont) and mild (Idaho and Wyoming) winter regions. During the validation phase, the models demonstrated strong performance in the severely cold regions, with predicted freezing depths deviating from the measured values by only 0.05 to 0.20 m and thawing date predictions differing by just 1 to 3 days. However, in the mild winter regions, the models showed less accuracy, with freezing depth differences ranging from 0.10 to 0.40 m and thawing date delays of 3–6 days. Compared to existing analytical and empirical models, the LSTM prediction models developed in this study provide enhanced convenience while maintaining a satisfactory level of accuracy.
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