Damage detection under varying temperature using artificial neural networks
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
To avoid false alarms for vibration-based structural damage detection methods, temperature effects on damage-sensitive features should be eliminated. In this paper, a novel two-step damage identification method combining a multilayer neural network and novelty detection is developed to differentiate the changes in natural frequencies (one of the most commonly used damage features that can be obtained reliably and relatively easily) due to damage from those induced by temperature variations. In the first step, a multilayer artificial neural network, which resembles an auto-associative neural network but uses temperature variables in addition to the frequencies as the inputs, is explored to identify patterns in frequencies of undamaged structures under varying temperatures. Euclidean distance is then utilized as a novelty index to quantify the discordancy between patterns in undamaged cases and candidate cases. Numerical studies using a simply supported beam and finite element models based on an experimental grid structure, which simulate different levels of stiffness reductions under varying temperature conditions, are used to verify the detectability and robustness of the proposed approach. It is shown that the incorporation of the proposed artificial neural network with novelty detection enables one to robustly distinguish damage occurrence and severity regardless of temperature variations and noise perturbations. Using an unsupervised learning scheme, the proposed approach transforms a multivariate analysis using modal frequencies and temperature data into a straightforward univariate discordancy test using the novelty index. Given these competitive advantages, this approach is very attractive for the development of an automated continuous monitoring system in practical applications.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle