Models Development for Asphalt Pavement Performance Index in Different Climate Regions Using Soft Computing Techniques
Notice bibliographique
Résumé
The Pavement Condition Index (PCI) is one of the most critical pavement performance indicators and ride quality. This study aims to develop PCI models based on pavement distress parameters using conventional technique and artificial neural network (ANN) technique across two climate regions in the U.S. and Canada. The long-term pavement performance (LTPP) database was used to obtain pavement distress data, including pavement age, rutting, fatigue cracking, block cracking, longitudinal cracking, transverse cracking, potholes, patching, bleeding, and ravelling, as input variables for predicting PCI. Forty-three flexible pavement segments were considered with 333 observations. The type, severity, and extent of surface damage and the PCI were determined for each pavement segment. Two modelling techniques were conducted to predict the PCI, namely, multiple linear regression (MLR) and artificial neural network (ANN). The coefficient of determination (R2), Root mean squared error (RMSE), and mean absolute error (MAE) were used to examine the performance of the two techniques adopted in this study. The models' results determined that both ANN and MLR models could predict PCI with high accuracy; ANN models were more accurate and efficient. ANN provided the highest accuracy in predicting PCI of pavement for wet and wet no-freeze climate regions, with R2 values of 99.8%, 98.3 %: RMSE values of 0.44%, 1.413%, and MAE values of 0.44%, 1.022%, respectively. Whereas in the MLR method, R2 values of 86.8% and 89.4%: RMSE values of 7.195%, 7.324%, and MAE values of 5.616%, 5.79% for wet and wet no freeze climate regions, respectively.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».