論文の概要: Deep learning-based pavement performance modeling using multiple distress indicators and road work history

• arxiv url: http://arxiv.org/abs/2605.01914v1
• Date: Sun, 03 May 2026 14:51:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.993998
• Title: Deep learning-based pavement performance modeling using multiple distress indicators and road work history
• Title（参考訳）: 複数の難易度指標と道路作業履歴を用いた深層学習による舗装性能のモデル化
• Authors: Lu Gao, Zhe Han, Yunshen Chen,
• Abstract要約: 本稿では、畳み込みニューラルネットワーク(CNN)や長期記憶(LSTM)などの深層ニューラルネットワークを用いて、舗装劣化過程をモデル化する。 提案モデルには,10万以上の舗装部から収集したき裂,ラッティング,ラベリング,粗さなどのフレキシブル舗装条件指標を含ませた。 ケーススタディの結果,提案したCNNモデルは,舗装条件の予測において,標準的な機械学習モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 2.2351162816271386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The deterioration of pavement is a complex and dynamic process determined by different factors including material, environment, design, and some other unobserved variables. Accurate predictions of pavement condition can help maximize the use of available resources for pavement management agencies through better coordinated preservation and maintenance activities. This paper uses deep neural networks such as the convolutional neural network (CNN) and the long short-term memory (LSTM) to model the pavement deterioration process. In this paper, pavement condition data and maintenance and rehabilitation history collected by the Texas Department of Transportation over the past 18 years were used. Twenty-one flexible pavement condition indicators, including cracking, rutting, raveling, and roughness, collected from more than 100,000 pavement sections were included in the proposed models. Promising preliminary results were obtained. Case study results show that the proposed CNN model outperforms standard machine learning models in predicting pavement condition values.
• Abstract（参考訳）: 舗装の劣化は、材料、環境、設計、その他の観測されていない変数を含む様々な要因によって決定される複雑で動的なプロセスである。 舗装条件の正確な予測は、より協調した保全・維持活動を通じて、舗装管理機関に利用可能な資源の使用を最大化するのに役立つ。 本稿では、畳み込みニューラルネットワーク(CNN)や長期記憶(LSTM)などの深層ニューラルネットワークを用いて、舗装劣化過程をモデル化する。 本稿では,過去18年間にテキサス交通省が収集した舗装条件データと維持・再生の履歴を用いた。 提案モデルには,10万以上の舗装部から収集したき裂,ラッティング,ラベリング,粗さなどのフレキシブル舗装条件指標を含ませた。 予備結果が得られた。 ケーススタディの結果,提案したCNNモデルは,舗装条件の予測において,標準的な機械学習モデルよりも優れていた。

関連論文リスト

• Analyzing the Effects of Supervised Fine-Tuning on Model Knowledge from Token and Parameter Levels [72.3670919950349]
  大規模言語モデル(LLM)は、事前訓練中にかなりの世界の知識を得る。 教師付き微調整(SFT)のようなポストトレーニング技術はこの知識変化の振る舞いを形作る。 LLaMA-2 と LLaMA-3 の 5 つの LLM を対象としたクローズドブック質問応答 (CBQA) の性能評価を行った。
  論文  参考訳（メタデータ） (2025-09-20T09:40:32Z)
• Considering Spatial Structure of the Road Network in Pavement Deterioration Modeling [33.54970710607668]
  本研究では,道路ネットワークの空間的依存性をグラフニューラルネットワーク(GNN)を用いた舗装劣化モデルに適用する。 本研究で使用されるデータには,テキサス交通省が管理する舗装管理情報システム(PMIS)から50万件以上の観測データを収集した大規模舗装条件データセットが含まれている。
  論文  参考訳（メタデータ） (2025-08-02T23:48:53Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• LaCo: Large Language Model Pruning via Layer Collapse [56.92068213969036]
  トランスフォーマーに基づく大規模言語モデル(LLM)は、サイズ拡大の顕著な傾向を目撃している。 モデル量子化、知識蒸留、モデルプルーニングといった既存の手法は、様々な問題によって制約されている。 後部モデル層が前層に崩壊する「textitLayer Collapse (LaCo)」と呼ばれる簡潔な層構造プルーナーを提案する。
  論文  参考訳（メタデータ） (2024-02-17T04:16:30Z)
• Fine-tuning vision foundation model for crack segmentation in civil infrastructures [13.731957127190274]
  セグメンテーションにおける基礎モデルを微調整するために、微調整法が採用される:セグメンション・アシング・モデル(SAM) CrackSAMは、特に薄暗い照明、影、道路標識、建設継手、その他の干渉要因などの困難な条件下で、顕著な優位性を示す。 これらのクロスシナリオの結果は、基礎モデルの卓越したゼロショット能力を示し、土木工学におけるビジョンモデルを開発するための新しいアイデアを提供する。
  論文  参考訳（メタデータ） (2023-12-07T11:39:11Z)
• A comparison of machine learning surrogate models of street-scale flooding in Norfolk, Virginia [0.0]
  バージニア州ノーフォークを例に挙げた低地の海岸都市は、降雨と潮によって引き起こされる道路洪水の課題に直面している。 高忠実で物理に基づくシミュレーションは、都市多重洪水の正確な予測を提供するが、その計算複雑性はリアルタイムアプリケーションには適さない。 本研究では,ランダムフォレストアルゴリズムに基づく代理モデルと,Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) の2つのディープラーニングモデルを比較した。
  論文  参考訳（メタデータ） (2023-07-26T13:24:01Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• Deep Learning Frameworks for Pavement Distress Classification: A Comparative Analysis [2.752817022620644]
  本研究では,舗装の苦痛を検知し,特徴付けるための最先端のディープラーニングアルゴリズムをデプロイする。 モデルは、日本、チェコ、インドの都市部や農村部で撮影された21,041枚の画像を用いて訓練された。 最高のパフォーマンスモデルは、IEEE Global Road Damage Detection Challengeがリリースした2つのテストデータセットで、F1スコアの0.58と0.57を達成した。
  論文  参考訳（メタデータ） (2020-10-21T00:26:59Z)
• Deep Machine Learning Approach to Develop a New Asphalt Pavement Condition Index [0.0]
  近年、ディープラーニングの進歩により、先例のない精度で舗装画像を分析するための堅牢なツールが開発されている。 ディープラーニングモデルは大きな真実データセットを必要とするが、舗装現場ではアクセスできないことが多い。 本研究では,より堅牢で容易に配置可能な舗装条件評価システムに向けた第一歩として,ラベル付き舗装データセットを提示した前回の研究をレビューした。
  論文  参考訳（メタデータ） (2020-04-28T05:57:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。