Application of artificial neural networks in vibration based damage detection
Notice bibliographique
Résumé
Vibration based damage identification (VBDI) techniques rely on the fact that damage in a structure reduces its stiffness and alters its global vibration characteristics. Measurement of changes in the vibration characteristics can therefore be used to determine the damage in the structure. The VBDI technique does not depend on a-priori information about the damage site; the vicinity of the damage need not be accessible; and often a limited number of sensors can be used to localize and quantify the damage. Unfortunately, most of the available damage identification algorithms fail when applied to practical structures due to the effect of measurement errors, uncertainties induced by environmental and boundary condition, the need to use incomplete mode shapes, mode truncation, and the non-unique nature of the solutions. Damage detection based on changes in modal characteristics can be treated as a pattern recognition problem. Artificial neural networks provide an ideal means of obtaining a solution to such a problem. This paper presents a new robust two-step algorithm for detecting the location and magnitude of damage. The technique uses principles of structural dynamics and artificial neural networks. A modal energy based vibration property, known as the damage index vector, is used as the input to the network. The proposed algorithm is used to detect simulated damage in a simple finite element model of a slab and girder bridge. The result shows that the proposed algorithm is quite effective in identifying the location and magnitude of damage, even in the presence of measurement errors in the input data.
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 ».