MétaCan
Menu
Retour à la cohorte
Enregistrement W2106747458 · doi:10.1177/1475921712451955

Nonparametric analysis of structural health monitoring data for identification and localization of changes: Concept, lab, and real-life studies

2012· article· en· W2106747458 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueStructural Health Monitoring · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensUniversity of Alberta
Organismes subventionnairesFederal Highway AdministrationFlorida Department of Transportation
Mots-clésStructural health monitoringServiceability (structure)Nonparametric statisticsBridge (graph theory)Computer scienceData miningIdentification (biology)Data acquisitionCorrelationReliability engineeringStructural engineeringEngineeringStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,200
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,120
Tête enseignante GPT0,430
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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