Impact Analysis of Individual Distresses on Overall Pavement Condition Assessment
Notice bibliographique
Résumé
The Ontario Ministry of Transportation (MTO) uses the Distress Manifestation Index (DMI), a ten-point scale based on visual assessment of disaggregated pavement distresses, to supplement laser based high-speed roughness measurement when determining overall pavement condition. The current practice is to visually observe and rate the severity and density of each individual distress along a pavement section; this produces a subjective rating with some variation between individual evaluators. The process is time-consuming, as the entire provincial highway network must be travelled and rated visually. The paper examines several alternatives to the current DMI scale, including scales that omit lightly weighted types of distresses and scales that only use cracking and rutting distress types. The purpose of this study is to determine whether reducing the DMI calculation to include only a subset of distresses will have a significant impact on the quality of the performance measures. Particular interest in cracking and rutting distresses is fuelled by the development of automated laser-based systems that can evaluate the cracking and rutting on the pavement at highway speeds. Automating the process would reduce the time and cost of the pavement distress survey. The long-term goal is to reduce sources of variation by simplifying the DMI, and/or delegating the rating process to automation. Preliminary results show that the modified DMI scales are acceptably accurate, and the automated collection of DMI data shows potential.
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 | 0,000 | 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 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 ».