Les modèles de prédiction de la tenue de la chaussée dans le logiciel « Pavement-ME » sont calibrés à l’échelle nationale utilisant les données sur les propriétés des matériaux des chaussées en service, la structure des chaussées, les conditions climatiques et de chargement des camions et la tenue obtenues du programme « Long Term Pavement Performance ». Généralement, les modèles calibrés à l’échelle nationale peuvent ne pas être précis si les données d’entrée et les données de la tenue de la chaussée utilisées ne représentent pas les conditions et les pratiques locales de l’État. Donc, chaque agence des routes d’État (« state highway agency ») devrait évaluer les modèles de tenue de la chaussée calibrés à l’échelle nationale afin de déterminer la justesse de la tenue prévue sur le terrain avant d’instaurer la nouvelle procédure de « M-E Design ». Si les prédictions ne sont pas acceptables, la calibration locale des modèles de la tenue de Pavement-ME est recommandée afin d’améliorer les capacités de prédiction de la tenue reflétant les conditions de terrain et les pratiques de conception uniques. La technique de calibration qu’on utilise couramment tel que l’échantillonnage fractionné ne procure pas nécessairement des résultats adéquats, surtout puisque la taille des échantillons est petite. Conséquemment, il s’avère nécessaire d’employer des méthodologies statistiques qui sont plus efficaces et robustes pour les calibrations de modèle étant donné les défis liés aux données que les agences des routes d’État ont relevés. L’amorce est une technique de rééchantillonnage non paramétrique et robuste pour estimer les erreurs types et les intervalles de confiance d’une statistique. L’avantage principal des méthodologies de rééchantillonnage tel que l’amorçage réside dans l’estimation des paramètres sans faire des hypothèses de distribution. Cet article présente l’utilisation de techniques de rééchantillonnage pour calibrer les modèles flexibles de tenue de la chaussée et comment les modèles de Pavement-ME calibrés localement améliorent l’exactitude de la prédiction de la tenue. Les résultats de calibration locale montrent que l’erreur type de validation et le biais provenant de l’amorçage étaient beaucoup plus bas que ceux provenant d’autres techniques de rééchantillonnage. De plus, les statistiques de validation étaient semblables à celles de la calibration du modèle, ce qui montre la robustesse des coefficients du modèle local. Les équations de fiabilité à la suite de la calibration locale sont une meilleure représentation de la tenue de la chaussée mesurée au Michigan. [Traduit par la Rédaction]

The performance prediction models in the Pavement-ME are nationally calibrated using in-service pavement material properties, pavement structure, climate and truck loading conditions, and performance data obtained from the Long Term Pavement Performance program. Generally, the nationally calibrated models may not be accurate if the inputs and performance data used to calibrate do not represent a state’s local conditions and practices. Therefore, each state highway agency (SHA) should evaluate the nationally calibrated performance models to determine the adequacy of predicted field performance before implementing the new M-E design procedure. If the predictions are not satisfactory, local calibration of the Pavement-ME performance models is recommended to improve the performance prediction capabilities reflecting the unique field conditions and design practices. The commonly used calibration technique such as split sampling does not necessarily provide adequate results, especially with small sample sizes. Consequently, there is a need to employ statistical methodologies that are more efficient and robust for model calibrations given the data related challenges encountered by SHAs. The bootstrap is a nonparametric and robust resampling technique for estimating standard errors and confidence intervals of a statistic. The main advantage of resampling methodologies like bootstrapping includes estimation of a parameter without making distribution assumptions. This paper presents the use of resampling techniques to locally calibrate the flexible pavement performance models and how the locally calibrated Pavement-ME models improved the performance prediction accuracy. The results of the local calibration show that the validation standard error and bias obtained from bootstrapping were much lower than other resampling techniques. In addition, the validation statistics were similar to that of the model calibration, which indicates robustness of the local model coefficients. The reliability equations after local calibration are a better representation of measured pavement performance in Michigan.