STATISTICAL DAMAGE CLASSIFICATION USING SEQUENTIAL PROBABILITY RATIO TESTS.
Notice bibliographique
Résumé
The primary objective of damage detection is to ascertain with confidence if damage is present or not within a structure of interest. In this study, a damage classification problem is cast in the context of the statistical pattern recognition paradigm. First, a time prediction model, called an autoregressive and autoregressive with exogenous inputs (AR-ARX) model, is fit to a vibration signal measured during a normal operating condition of the structure. When a new time signal is recorded from an unknown state of the system, the prediction errors are computed for the new data set using the time prediction model. When the structure undergoes structural degradation, it is expected that the prediction errors will increase for the damage case. Based on this premise, a damage classifier is constructed using a sequential hypothesis testing technique called the sequential probability ratio test (SPRT). The SPRT is one form of parametric statistical inference tests, and the adoption of the SPRT to damage detection problems can improve the early identification of conditions that could lead to performance degradation and safety concerns. The sequential test assumes a probability distribution of the sample data sets, and a Gaussian distribution of the sample data sets is often used. This assumption, however, might impose potentially misleading behavior on the extreme values of the data, i.e. those points in the tails of the distribution. As the problem of damage detection specifically focuses attention on the tails, the assumption of normality is likely to lead the analysis astray. To overcome this difficulty, the performance of the SPRT is improved by integrating extreme values statistics, which specifically models behavior in the tails of the distribution of interest into the SPRT.
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 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 tête enseignante, 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 ».