Performance and Accuracy of Fibre Optic Sensors and the Digital Image Correlation in Measuring the Strains and Crack Widths of Concrete Structures
Notice bibliographique
Résumé
A significant proportion of North America’s aging infrastructure has surpassed its intended design life. This includes a large number of concrete structures that are located in Canada or northern parts of the US with prolonged freezing seasons and high temperature fluctuations. One potential solution to assess the condition and performance of a structure and ensure its resilience is to use structural health monitoring (SHM) techniques. Fibre optic strain sensors (FOS) and digital image correlation (DIC) are two SHM breakthrough techniques providing more comprehensive performance data than conventional techniques. Although these SHM techniques are reasonably well developed, there is still a gap between the monitoring data and serviceability and reliability indicators due to uncertainty of measurements caused by parameters varying with time, e.g. temperature. In this work, FOS and DIC were used to measure strains and crack widths for eight large-scale reinforced concrete beams tested under static and fatigue loading at 15°C and -25°C. In addition, to evaluate the accuracy and precision of these technologies with temperature variations, calibration tests were conducted to measure temperature related strain errors that are induced in these systems. The results showed that both FOS and DIC are affected by temperature changes, and their measurements need to be corrected for temperature when they are used for measuring strains. This study also showed that DIC technique is capable of measuring crack widths with a very high accuracy, and external fibres can measure the strains in the concrete in compression with a reasonable accuracy, and can give an indication of the strains in the tensile reinforcement prior to reaching the cracking load of the reinforced concrete.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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) | 0,001 | 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 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 ».