Evaluating the performance AASHTOWare’s mechanistic-empirical approach for roller-compacted concrete roadways
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
The Federal Highway Administration (FHWA) has recommended the use of AASHTOWare Pavement Mechanistic-Empirical Design (PMED) software for Roller-Compacted Concrete (RCC) pavement design, but specific calibration for RCC is missing. This study investigates the software’s capacity to predict the long-term performance of RCC roadways within the framework of conventional concrete pavement calibration. By reanalyzing existing RCC projects in several U.S. states: Colorado, Arkansas, South Carolina, Texas, and Illinois, the study highlights the need for specific calibration tailored to the unique characteristics of RCC. Field observations have emphasized occurrence of early distresses in RCC pavements, particularly transverse-cracking and joint-related issues. Despite data challenges, the AASHTOWare PMED software exhibits notable correlation between its long-term predictions and actual field performance in RCC roadways. This study stresses that RCC applications with insufficient joint spacing and thickness are prone to premature cracking. To enhance the accuracy of RCC pavement design, it is essential to discuss the inclusion of RCC as a dedicated rigid pavement option in AASHTOWare PMED. This becomes particularly crucial when the rising popularity of RCC roadways in the U.S. and Canada is considered. Such an inclusion would solidify RCC as a viable third option alongside Jointed Plain Concrete Pavements (JPCP) and Continuously Reinforced Concrete Pavements (CRCP) for design and deployment of rigid pavements. The research presents a roadmap for future calibration endeavors and advocates for the integration of RCC pavement as a distinct pavement type within the software. This approach holds promise for achieving more precise RCC pavement design and performance predictions.
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