Evaluation of Accuracy of Weigh-in-Motion Systems in Alberta, Canada, and Its Effects on Pavement 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
Highway agencies are using progressive Weigh-In-Motion (WIM) systems to collect traffic data for truck overload l enforcement, pavement design and analysis, and operation management. The main advantage of WIM systems is that they can collect various traffic data such as vehicle and axle weights, speed, dimensions, and classifications as vehicles move. WIM measurements, and more specifically their weight measurements, are a function of vehicle and road dynamics. Therefore, WIM weight measurements are different than stationary weight measurements. The accuracy of WIM systems is an important concern for highway agencies. The main objective of this paper was to evaluate the accuracy of WIM weight parameters from a validation testing program conducted on six highway locations from 2006 to 2010 in Alberta. Statistical error analyses were used to investigate the type of errors and their distributions. Additionally, the accuracy of the WIM measurements was evaluated using the American Society for Testing and Materials (ASTM) E1318 probability of conformity standard. Finally, the effect of the errors on pavement design was studied, and the significance of different error scenarios on pavement structure designs was investigated. It was found that WIM measurements in Alberta did not comply with ASTM requirements in any validation year or site location. The significance of WIM errors was estimated to cause up to 44% more pavement damage, which is equivalent to 15 mm of extra asphalt in layer thickness, costing an extra $40,000 per kilometer for a typical two-lane paving project.
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 | 0,012 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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