Probabilistic Models to Evaluate Effectiveness of Steel Bridge Weld Fatigue Retrofitting by Peening
Notice bibliographique
Résumé
The purpose of this study was to evaluate, with two probabilistic analytical models, the effectiveness of several alternative fatigue management strategies for steel bridge welds. The investigated strategies employed, in various combinations, magnetic particle inspection, gouging and rewelding, and postweld treatment by peening. The analytical models included a probabilistic strain-based fracture mechanics model and a Markov chain model. For comparing the results obtained with the two models, the fatigue life was divided into a small, fixed number of condition states based on crack depth, similar to those often used by bridge management systems to model deterioration due to other processes, such as corrosion and road surface wear. The probabilistic strain-based fracture mechanics model was verified first by comparison with design S–N curves and test data for untreated welds. Next, the verified model was used to determine the probability that untreated and treated welds would be in each condition state in a given year; the probabilities were then used to calibrate transition probabilities for a much simpler Markov chain fatigue model. Then both models were used to simulate a number of fatigue management strategies. From the results of these simulations, the performance of the different strategies was compared, and the accuracy of the simpler Markov chain fatigue model was evaluated. In general, peening was more effective if preceded by inspection of the weld. The Markov chain fatigue model did a reasonable job of predicting the general trends and relative effectiveness of the different investigated strategies.
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 | 0,010 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,002 |
| 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 ».