Assessing the Benefits of Ground Penetrating Radar Technology - Does It Improve the Accuracy of FWD Results and Overlay 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
Falling Weight Deflectometer (FWD) testing is an integral component of many city's pavement and asset management programs. One of the key data requirements for analyzing FWD data through Backcalculation is accurate pavement layer data. Many cities rely solely on as built data or core/bore data as an input for FWD Backcalculation. Since pavement thickness, material types, and composition can vary along the length of a roadway, some level of uncertainty is introduced in the analysis and design due to the lack of a continuous profile. More recently, Ground Penetrating Radar (GPR) technology is being used to provide a continuous layer profile and enhance FWD results. As a part of this study, over 150 ln-km of roadways in Calgary, Alberta were surveyed with the GPR and FWD in 2010 and 2011. A number of cores were also advanced on all the surveyed roads for calibration purposes. The results of the study demonstrate the benefits of using accurate pavement layer data for FWD analysis and helps reduce the chance of under or over designing the pavement M, R & R strategy. The study also demonstrates the value of collecting GPR data for municipal project level pavement evaluation. For the covering abstract of this conference see ITRD number 201211RT334E.
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 | 0,001 | 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