MétaCan
Menu
Retour à la cohorte
Enregistrement W7132746028

Development of Climate Adaptation and Asphalt Selection Tool (CAAST)

2023· article· en· W7132746028 sur OpenAlexvenueaboutno aff
Omran Maadani, Mohammad Shafiee, Juan Hiedra Cobo

Notice bibliographique

RevueNPARC · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAsphalt Pavement Performance Evaluation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésClimate changeAsphaltAir temperatureSelection (genetic algorithm)Adaptation (eye)Mean radiant temperatureGlobal warmingClimate zones
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This paper introduces the Climate Adaptation and Asphalt Selection Tool (CAAST), which is a new computer software used to select climate resilient Performance Grade (PG) of asphalt binder for Superior Performing Asphalt Pavements (Superpave) based on extreme high and low pavement temperatures. Developed by National Research Council Canada (NRC), CAAST uses projected climate change temperature data provided by Environment and Climate Change Canada (ECCC) for Canadian cities, obtained from the Canadian Regional Climate Model (CanRCM), version 4, from 1950 to 2100. The CAAST software analyzes the projected temperature data file within a certain time period (i.e.: road design life) to extract and calculate environmental parameters that will be used to assess the impact of climate change and to select the climate resilient asphalt binder performance grade (PG). CAAST incorporated the shortcomings of the existing Long-Term Pavement Performance Bind Online (LTPPBind) such as standing traffic speed, besides slow and fast traffic speed and annual temperature variations in terms of Degree Days (change within a year not only during 6 months). The paper compares and analyzes Superpave PG results obtained from ECCC's projected temperature data via CAAST against the existing method (LTPPBind) based on Modern-Era Retrospective Analysis for Research and Applications (MERRA-2) temperature data. The study shows that the indices such as Mean Annual Lowest Air Temperature (MALAT) and Mean Annual Degree Days (MADD) for cities in Atlantic, Central, Prairies, Western and Northern Canada are significantly higher when using the new proposed method compared to MERRA-2. The analysis also suggests that climate change can induce higher upgrades in high and low PG grades over the next 25 years than those predicted by MERRA-2 via LTPPBind. Consequently, the use of CAAST with embedded projected air temperature data can provide an effective solution for selecting resilient PG binder types in response to climate change, which is an improvement over traditional approaches that rely on historical climate. Overall, this study highlights the importance of considering climate change projections in pavement design and emphasizes the need for tools like CAAST to ensure pavement performance under changing environmental conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0000,000
Communication savante0,0020,002
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,003

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,252
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNPARCMême sujetAsphalt Pavement Performance EvaluationTravaux en français237 207