Damage detection on a steel-free bridge deck using random vibration
Notice bibliographique
Résumé
Vibration-based damage detection (VBDD) methods utilize measured changes in the dynamic characteristics of structural systems (natural frequencies, mode shapes, and damping characteristics) to indicate the presence and location of damage. Previous studies have demonstrated that small-scale damage can be reliably located in simple bridge systems when resonant harmonic loading is used as the excitation source for the VBDD measurements. In full-scale bridge applications, however, random loading due to traffic or wind is often more readily achievable. A numerical study was therefore undertaken to investigate the use of random loading for damage detection in a simple-span, slab-on-girder bridge deck. Transient dynamic analyses of a finite element model of the bridge deck subjected to randomly varying loading were performed for nine different simulated small-scale damage states. To reduce the inherent uncertainty arising from the random loading, averaged results from a large number of repeated random trials were used. Several factors that may influence the probability of successfully locating the damage were investigated, including the number of repeated random trials used, the distance from the damage to the nearest sensor, the proximity of the damage to simple supports, the severity of the damage and the presence of random measurement error. It was found that a large number of repeated random trials was required to achieve reasonable probabilities of successfully locating the damage; even then, reliable detection results were not guaranteed for all of the damage conditions considered. Based on these results, therefore, random excitation appears to be less reliable in VBDD than harmonic loading.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».