MétaCan
Menu
Retour à la cohorte
Enregistrement W2607511250 · doi:10.1117/12.2260122

Evaluation of truss bridges using distributed strain measurements

2017· article· en· W2607511250 sur OpenAlexaffabout
Kyle E. Van Der Kooi, Alyson J. Lascelles, Neil A. Hoult

Notice bibliographique

RevueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIE · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Fiber Optic Sensors
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésTrussStructural engineeringStrain gaugeTruss bridgeBridge (graph theory)BendingComputer scienceStructural health monitoringOptical fiberFiber Bragg gratingConnection (principal bundle)Span (engineering)EngineeringTelecommunications

Résumé

récupéré en direct d'OpenAlex

In 2013, one in every nine steel bridges in North America was deemed to be in need of repair, retrofit or replacement. There are an estimated 200,000 steel bridges in the US alone, and an estimated $76 billion is required to return all bridges back to adequate service levels. As a result, monitoring is crucial to ensure the longevity of these structures and to avoid unnecessary replacement. To evaluate the use of distributed fiber optic strain sensors to monitor truss bridges, laboratory tests were undertaken. A scale model of the Mile 17.7 CN Rail Bridge in Jordan, Ontario, Canada was constructed and instrumented with fiber optic strain sensors prior to testing. The experimental program consisted of three point loading under three different connection conditions: i) all bolts were present and torqued, ii) one of two bolts in the connection was removed, and iii) the remaining bolts were loosened. The distributed strain measurements were used to calculate both the axial and bending strains along the full length of each member, along with the variation in truss behavior as a result of the change in connection conditions. The results indicate that the connection conditions at the truss joints can alter the behavior of the bridge.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,048
Tête enseignante GPT0,284
Écart entre enseignants0,236 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations1
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIEMême sujetAdvanced Fiber Optic SensorsTravaux en français237 207