MétaCan
Menu
Retour à la cohorte
Enregistrement W2742416158 · doi:10.1061/9780784480885.003

New Developments in Multi-Sensor Condition Assessment Using LiDAR, Sonar, and CCTV

2017· article· en· W2742416158 sur OpenAlex

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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevuePipelines 2017 · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Maintenance and Monitoring
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSonarLidarRemote sensingComputer scienceEnvironmental scienceGeologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper describes the development and successful applications of a closed circuit television (CCTV), LiDAR (Light + radar) and sonar based pipe inspection system that is robust to gather quantitative data for critical underground pipe condition assessment. The system that can be deployed on a ROV or on a float produces accurate cross-sectional analysis and sediment volume. This capacity is increasingly critical in large diameter pipes with high level of flow. The system employs a time of flight LIDAR that is sub cm accurate. Results from recent projects are discussed in detail. The North Surrey Interceptor in Surrey, British Columbia, Canada, is a critical line in the municipality’s wastewater system. This reinforced concrete box culvert is 1500 mm × 1750 mm, and often operates at full capacity. The owner has experienced failures on this pipe, and it was recently rehabilitated. The sonar results provided accurate sediment volumes and cross sectional restrictions. This information was used to infer the location of defects and gather the necessary information for a subsequent pipe penetrating radar (PPR) deployment. The TEES Tunnel in Tolo Harbor, Hong Kong, is a 7-km long, 3.18-m diameter reinforced concrete sewer tunnel. It has been in service for 15 years and was in need of a quantitative condition assessment. Due to safety concerns man entry was not an option. A long-range multi-sensor robot was deployed to traverse 1 km from both access portals and to gather CCTV and LiDAR data. Due to limits to flow diversion the project had to be completed in a 24 hr time frame. The CCTV and LiDAR data revealed quantitative information on the condition of this critical tunnel. Advanced pipe condition assessment technologies, such as the CCTV, LiDAR and sonar system described in this paper are cost-effective, non-destructive methods that are able to help better refine estimated remaining life of an interceptor, accurately determine overall severity of pipe degradation, as well as provide a basis for improved cost allocation and timing of rehabilitation efforts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,264
Score d'incertitude au seuil0,563

Scores Codex et Gemma par catégorie

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

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 Opus0,045
Tête enseignante GPT0,336
Écart entre enseignants0,291 · 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