MétaCan
Menu
Retour à la cohorte
Enregistrement W2162976267 · doi:10.1177/1475921706067741

Wavelet Transform for Structural Health Monitoring: A Compendium of Uses and Features

2006· article· en· W2162976267 sur OpenAlexaff
Mahmoud Reda Taha, Aboelmagd Noureldin, Jonathan L. Lucero, Thomas J. Baca

Notice bibliographique

RevueStructural Health Monitoring · 2006
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensRoyal Military College of Canada
Organismes subventionnairesLos Alamos National LaboratorySandia National LaboratoriesNational Nuclear Security Administration
Mots-clésStructural health monitoringWavelet transformWaveletComputer scienceSignal processingSIGNAL (programming language)Data scienceArtificial intelligenceEngineeringStructural engineeringDigital signal processingComputer hardware

Résumé

récupéré en direct d'OpenAlex

The strategic and monetary value of the civil infrastructure worldwide necessitates the development of structural health monitoring (SHM) systems that can accurately monitor structural response due to real-time loading conditions, detect damage in the structure, and report the location and nature of this damage. In the last decade, extensive research has been carried out for developing vibration-based damage detection algorithms that can relate structural dynamics changes to damage occurrence in a structure. In the mean time, the wavelet transform (WT), a signal processing technique based on a windowing approach of dilated ‘scaled’ and shifted wavelets, is being applied to a broad range of engineering applications. Wavelet transform has proven its ability to overcome many of the limitations of the widely used Fourier transform (FT); hence, it has gained popularity as an efficient means of signal processing in SHM systems. This increasing interest in WT for SHM in diverse applications motivates the authors to write an exposition on the current WT technologies. This article presents a utilitarian view of WT and its technologies. By reviewing the state-of-the-art in WT for SHM, the article discusses specific needs of SHM addressed by WT, classifies WT for damage detection into various fields, and describes features unique to WT that lends itself to SHM. The ultimate intent of this article is to provide the readers with a background on the various aspects of WT that might appeal to their need and sector of interest in SHM. Additionally, the comprehensive literature review that comprises this study will provide the interested reader a focused search to investigate using wavelets in SHM.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,006
Études des sciences et des technologies0,0000,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0080,006

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 Opus0,022
Tête enseignante GPT0,328
Écart entre enseignants0,306 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations321
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStructural Health MonitoringMême sujetStructural Health Monitoring TechniquesTravaux en français237 207