Understanding and Anticipating Truck Fleet Mix Characteristics for Mechanistic-Empirical Pavement Design
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 paper analyzes vehicle classification data to support the implementation of the Mechanistic-Empirical Pavement Design Guide (MEPDG). A cluster analysis and expert judgment are applied to vehicle classification data from Manitoba to produce six jurisdiction-specific truck traffic classification groups (TTCGs). These groups are used to estimate truck volumes by class at locations where no site-specific classification data exist. The unique vehicle classification distributions evident from these groups, particularly the relative predominance of six-axle tractor semitrailers and multiple-trailer trucks within the fleet, demonstrate the importance of developing truck traffic data inputs based on local conditions and expertise. Aspects of the analysis are specific to Manitoba; however, the general approach is transferable to other jurisdictions. Although this analysis provides a current understanding of truck fleet mix, there is a need to also understand the dynamic nature of fleet mix so that future changes may be anticipated. Based on a 40-year perspective of fleet mix changes in the Canadian Prairie Region, the impacts of truck size and weight regulations (among other influencing factors) on fleet mix are revealed. While this historical perspective is uniquely Canadian, the lessons learned provide insight into the potential fleet mix impacts that may be anticipated from plausible changes in U.S. truck size and weight policies—namely the introduction of a tridem axle group on a six-axle tractor semitrailer and the expansion of longer combination vehicle operations. This insight is relevant to a wide range of transportation contexts, including pavement design.
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 | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle