Aurora SPR-3(042), Phase 1: Review of Seasonal Weight Restriction Models for Comparison and Demonstration Project
Notice bibliographique
Résumé
Although transportation agencies often focus on large interstate highways, there are several million miles of low-volume roads in the United States and Canada, and many of them are located in seasonal frost areas. In these locations, many agencies take advantage of the period of higher strength in mid-winter (when interstitial moisture beneath the pavement is frozen) by applying winter weight premiums (WWPs), increasing the allowable weight that trucks can haul. On the other hand, to reduce potential damage during the spring thaw, road management agencies apply Spring Load Restrictions (SLRs), which restrict the allowable load on the road during the critical time interval when the pavement is most vulnerable. There are a wide variety of techniques used by transportation agencies for timing of WWPs and SLRs. A pooled-fund study has recently been initiated by Aurora, a consortium of several States and Provinces, to provide an understanding of the reliability, benefits, costs and risks of alternate approaches to predicting the start and end dates of SLRs and WWPs. The study objectives will ultimately be met through a field demonstration in which a variety of WWP and SLR timing protocols and models are implemented at instrumented sites in up to five highway jurisdictions. The model predictions will be validated against observed subsurface temperature and moisture profiles and measurements of pavement deflection. This paper describes work conducted during Phase 1 of this Aurora project; specifically, providing an overview of the protocols and models available for WWP and SLR timing.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».