MétaCan
Menu
Retour à la cohorte
Enregistrement W1509636799 · doi:10.1111/j.1467-8667.2012.00760.x

Wavelet‐Based Detection of Beam Cracks Using Modal Shape and Frequency Measurements

2012· article· en· W1509636799 sur OpenAlexafffund
Jiawei Xiang, Ming Liang

Notice bibliographique

RevueComputer-Aided Civil and Infrastructure Engineering · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of OttawaNational Science Foundation
Mots-clésCantileverWaveletModalBeam (structure)AcousticsNatural frequencyFinite element methodModal analysisStructural engineeringWavelet transformNoise (video)Materials scienceComputer scienceVibrationEngineeringPhysicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract: When a structure is subjected to dynamic or static loads, cracks may develop and the modal shapes and frequencies of the cracked structure may change accordingly. Based on this, a new method is proposed to locate beam cracks and to estimate their depths. The fault‐induced modal shape and frequency changes of cracked structures are taken into account to construct a new hybrid crack detection method. The method includes two steps: crack localization and depth estimation. The locations of the cracks are determined by applying the wavelet transform to the modal shape. Using the measured natural frequencies as inputs, the depths of the cracks are estimated from a database established by wavelet finite element method. The effectiveness of the proposed hybrid two‐step method is demonstrated by numerical simulation and experimental investigation of a cantilever beam with two cracks. Our analyses also indicate that the proposed method performed reasonably well at certain level of noise.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,230
Écart entre enseignants0,212 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations124
Publié2012
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueComputer-Aided Civil and Infrastructure EngineeringMême sujetStructural Health Monitoring TechniquesTravaux en français237 207