Nonparametric analysis of structural health monitoring data for identification and localization of changes: Concept, lab, and real-life studies
Notice bibliographique
Résumé
Structural health monitoring systems integrate novel experimental technologies, analytical methods, and information technologies for a number of objectives such as detecting structural changes and damage as well as assessing the condition, safety, and serviceability of the monitored structure. The objective of this article is to present a correlation-based methodology as an effective nonparametric data analysis approach for detecting and localizing structural changes using strain data under operational loading conditions. While several methods have been explored in the literature, the focus of this article is to explore a practical and cost-effective (in terms of sensor, data acquisition, and analysis) methodology to identify structural problems. The methodology presented here is based on tracking correlation coefficients between strain time histories at different locations. After discussing the background, the effectiveness of the methodology is first demonstrated on a laboratory test structure. A unique contribution of this study is the validation of the methodology on a real-life bridge, which was monitored before damage was induced, during the bridge was damaged, and after damage was repaired. It is shown that structural changes can be detected and located for both the laboratory test structure and the real-life bridge using the variations in the correlation matrices. Since the real-life bridge was monitored under different conditions, the effectiveness of the bridge repair is also presented in comparative fashion with respect to before damage conditions. Some of the critical issues such as signal processing, data length, and level of data separation for change detection are also discussed. The correlation-based data analysis methodology is computationally efficient and easy to use, especially for handling large amounts of monitoring data. The results show that this methodology has the potential to be easily applied by engineers to different kinds of civil infrastructure for condition monitoring and maintenance.
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 | 0,004 | 0,008 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».