Health Monitoring of Structures Using Statistical Pattern Recognition Techniques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The primary objective of structural health monitoring (SHM) is to determine whether a structure is performing as expected or if there is any anomaly in its behavior compared with the normal condition. It is also useful in detecting the existence, location, and severity of damage. Vibration-based damage detection methods are very frequently used in SHM. However, because of complicated features of real-life structures, there are uncertainties involved in the key input parameters (e.g., measured frequencies and mode shape data), which affect the performance of these methods. If vibration-based methods are incorporated with semianalytical methods, such as statistical pattern recognition techniques, better accuracy can result in structural health assessment. This paper explores the statistical pattern recognition techniques for damage detection and/or degradation in structures. A case study, the Portage Creek Bridge in Victoria, British Columbia, Canada, has been used. The following two approaches of the statistical pattern recognition techniques have been used: statistical pattern comparison and statistical model development. After filtering and normalizing the data obtained from the SHM system installed in the bridge, damage sensitive features have been extracted by autoregressive modeling of the time series data. Both idle and excited states of the bridge are considered in this case. From the statistical analysis of the strain and acceleration data, although the bridge is in a good condition, there is a small but steady deterioration in its performance. The study also demonstrates the feasibility of the statistical pattern recognition techniques in assessing the structural condition of a practical structure.
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.
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) | 0,001 | 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 | 0,000 | 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 découle