Effekten av dypstabiliseringmetoder
Bibliographic record
Abstract
Vedlikeholdsetterslepet og økte priser på materialer gir større konkurranse om midlene. Utføre mer for mindre med miljøfokus blir mer viktig. Testing og forskning for det forsterkningstiltaket som gir mest for pengene. Dypstabilisering har vist seg gjennom erfaring å være en av de med best effekt og samtidig er billig og miljøvennlig. \nI denne masteroppgaven undersøkes informasjon fra spor- og jevnhetsdata. Utvalgte dypstabiliseringsparseller undersøkes og sammenlignes. Forsterkningsmetodene innenfor dypstabilisering ses opp mot hverandre og vurderes om de har akseptabel utvikling ut fra forventninger. Prognosemodellen som brukes for å estimere dekkelevetiden i planleggingsverktøyet til Statens Vegvesen ses på.\nI Norge sjekkes tilsetningsstoffer som bitumen og lignin for å øke bæreevnen i dypstabilisering. I Sverige, USA og Canada kan man av litteraturstudie finne forskning på sement, kalk og bitumen som tilsetningsstoffer. Resultater om at kombinasjonen kalk og emulsjonsbitumen i USA gir kostnadseffektiv metode. \nMasteroppgavens mål er å svare ut om dypstabilisering gir en akseptabel dekkelevetid og sammenligning av de forskjellige metodene og tilsetningene i dypstabilisering. \nResultatet viser at for de aller fleste dypstabiliserte parsellene gis en akseptabel dekkelevetid. Dypstabiliseringsmetode, hvor det tilføres anrikning med to freserunder gir lengst dekkelevetid. Ekstrapolering i prognosemodellen til estimeringen av dekkelevetiden gir for stor usikkerhet.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.032 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".