Evaluation of effective parameters on pavement surface temperature
Notice bibliographique
Résumé
The elevated temperatures adversely affect the durability and lifespan of pavement. Understanding the factors that influence asphalt pavement temperature offers valuable insights for creating climate-friendly cities with cooler pavement surfaces. In this study, three aggregates of varying types and colors, two types of bitumen (one without pigment and one with the addition of red pigment, Fe 2 O 3 ), and two levels of mean texture depth (MTD), high and low, were utilized to create asphalt samples using Marshall's method. A total of 38 thermocouple sensors were employed to simultaneously record temperatures in three areas within the samples, as well as the temperatures in shaded and sunlit conditions over a period of 17 days. Furthermore, a comprehensive evaluation was conducted to assess the impact of each factor on the solar reflectance index (SRI). Twelve general linear models (GLMs) were developed using a full factorial design of experiment, and five models with an R 2 greater than 95% were evaluated and analyzed. The analysis, based on the coefficients derived from the GLMs, indicates that the mean MTD is the most significant parameter affecting surface temperature. Pigment color emerged as the second most influential factor affecting both surface and bottom temperatures. Additionally, the findings revealed that MTD has the greatest impact on the SRI, followed by pigment color and aggregate color. It was also determined that the interaction between density, pigment color, and aggregate color plays a crucial role in determining the temperatures of both the surface and bottom of the specimens.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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) | 0,001 | 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 ».