Multichannel filtering and reconstruction of ultrasonic guided wave fields using time intercept-slowness transform
Notice bibliographique
Résumé
Multichannel ultrasonic axial-transmission data are multimodal by nature. As guided waves are commonly used in nondestructive material testing, wave field filtering becomes important because the analysis is usually limited to a few lower-order modes and requires their extraction. An application of the Radon transform to enhance signal-to-noise ratio and separate wave fields in ultrasonic records is presented. The method considers guided wave fields as superpositions of plane waves defined by ray parameters (p) and time intercepts (τ) and stacks the amplitudes along linear trajectories, mapping time-offset (t - x) data to a τ - p or Radon panel. The transform is implemented using a least-squares strategy with Cauchy-norm regularization that serves to enhance the focusing power. The method was verified using simulated data and applied to an uneven spatially sampled bovine-bone-plate data set. The results demonstrate the Radon panels show isolated amplitude clusters and the Cauchy-norm constraint provides a more focused Radon image than the damped least-squares regularization. Wave field separation can be achieved by selectively windowing the τ - p signals and inverse transformation, which is illustrated by the successful extraction of the A0 mode in bone plate. In addition, the method effectively attenuates noise, enhances the coherency of the guided wave modes, and reconstructs the missing records. The proposed transform presents a powerful signal-enhancement tool to process guided waves for further analysis and inversion.
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 | 0,000 |
| Science ouverte | 0,000 | 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 ».