Influence of the intrinsic properties of pavement surface aggregates on skid resistance: development of a predictive model
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
This study investigates how the intrinsic properties of aggregates influence their resistance to polishing by projection. Eighteen aggregates (greywackes, granites, gneiss, basalts, dolostones, limestones) were characterised through optical microscopy, chemical analysis, X-ray diffraction, Los Angeles and Micro-Deval tests. Frictional and microtextural properties were measured before and after polishing using a British Pendulum Tester and a 3D laser microprofilometer. Greywackes exhibited the best polishing resistance, followed by granites, gneiss, basalts, dolostones, and limestones. Greywackes, granites and gneiss also showed greater microtextural regeneration during polishing by projection. Relative hardness-RHD, differential hardness-DH, mineral contents (quartz, calcite, feldspars), average grain size-φm and distribution parameters (coefficient of variation-CV and Gini-style index-GSI) exhibited strong to moderate correlations with the final British Pendulum Number (BPNf) and its variation (ΔBPN). Strong correlations were also observed between BPNf, ΔBPN and microtextural parameters (peak height-H, density-Np and shape-α). Microtextural parameters showed significant associations with mineralogical properties like RHD and mineral contents. Six multiple linear regression models were developed to predict BPNf. Models based on mineralogical and petrographic properties achieved high accuracy (R² = 0.89 to 0.94), confirming mineralogy as a key factor of polishing resistance. Additional models that included microtextural parameters also achieved satisfactory predictions (R² = 0.89 to 0.93), showing their critical importance.
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