Health monitoring with optical fiber sensors: from human body to civil structures
Notice bibliographique
Résumé
Although structural health monitoring and patient monitoring may benefit from the unique advantages of optical fiber sensors (OFS) such as electromagnetic interferences (EMI) immunity, sensor small size and long term reliability, both applications are facing different realities. This paper presents, with practical examples, several OFS technologies ranging from single-point to distributed sensors used to address the health monitoring challenges in medical and in civil engineering fields. OFS for medical applications are single-point, measuring mainly vital parameters such as pressure or temperature. In the intra-aortic balloon pumping (IABP) therapy, a miniature OFS can monitor in situ aortic blood pressure to trigger catheter balloon inflation/deflation in counter-pulsation with heartbeats. Similar sensors reliably monitor the intracranial pressure (ICP) of critical care patients, even during surgical interventions or examinations under medical resonance imaging (MRI). Temperature OFS are also the ideal monitoring solution for such harsh environments. Most of OFS for structural health monitoring are distributed or have long gage length, although quasi-distributed short gage sensors are also used. Those sensors measure mainly strain/load, temperature, pressure and elongation. <i>SOFO</i> type deformation sensors were used to monitor and secure the Bolshoi Moskvoretskiy Bridge in Moscow. Safety of Plavinu dam built on clay and sand in Latvia was increased by monitoring bitumen joints displacement and temperature changes using <i>SMARTape</i> and <i>Temperature Sensitive Cable </i>read with <i>DiTeSt</i> unit. A similar solution was used for monitoring a pipeline built in an unstable area near Rimini in Italy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».