Enhancing Real-Time Data Acquisition from Embedded Road Structural Health Monitoring Systems
Notice bibliographique
Résumé
Canada's economy heavily relies on its roadways, yet managing pavement assets faces challenges due to past infrastructure spending cuts. Addressing this, a pavement management system (PMS) is essential for efficient resource allocation. Traditional surface condition monitoring within PMS is time-consuming and costly. In response, in situ condition monitoring, integrating AI and ML, emerges as a viable alternative, aligning with the development of "smart" pavements. This thesis, part of the Smart Pavements project at the University of Waterloo, assesses an instrumented pavement section on Courtland Avenue, Kitchener. It provides a comprehensive assessment of the implementation, data collection, data analysis and database concept development processes of an instrumented test section. It integrates advanced monitoring technologies and predictive modeling, yielding promising results. Identified gaps in the literature are addressed, with scalability and cost-benefit analysis highlighted for future research. Challenges in instrumentation and testing, including weather delays, are discussed, with recommendations provided. Material testing procedures and truck testing results are outlined, emphasizing seasonal variations and the impact of vehicle wander on pavement behavior. Software comparisons and detailed trend analysis reveal insights into pavement performance. Additionally, a basic database framework is proposed for efficient data management. This study contributes to understanding pavement instrumentation, long-term behavior, and the efficacy of simulation methods. Recommendations for future work include AI/ML integration, long-term data collection, database development, and standardized guidelines for sensor implementation, aiming to enhance pavement management practices nationwide.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».