Sensor Networks, Computer Imaging, and Unit Influence Lines for Structural Health Monitoring: Case Study for Bridge Load Rating
Notice bibliographique
Résumé
In this paper, a novel methodology for structural health monitoring of a bridge is presented with implementations for bridge load rating using sensor and video image data from operating traffic. With this methodology, video images are analyzed by means of computer vision techniques to detect and track vehicles crossing the bridge. Traditional sensor data are correlated with computer images to extract unit influence lines (UILs). Based on laboratory studies, UILs can be extracted for a critical section with different vehicles by means of synchronized video and sensor data. The synchronized computer vision and strain measurements can be obtained for bridge load rating under operational traffic. For this, the following are presented: a real life bridge is instrumented and monitored, and the real-life data are processed under a moving load. A detailed finite-element model (FEM) of the bridge is also developed and presented along with the experimental measurements to support the applicability of the approach for load rating using UILs extracted from operating traffic. The load rating of the bridges using operational traffic in real life was validated with the FEM results of the bridge and the simulation of the operational traffic on the bridge. This approach is further proven with different vehicles captured with video and measurements. The UILs are used for load rating by multiplying the UIL vector of the critical section with the load vector from the HL-93 design truck. The load rating based on the UIL is compared with the FEM results and indicates good agreement. With this method, it is possible to extract UILs of bridges under regular traffic and obtain load rating efficiently.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».