Automated damage-sensitive feature extraction using unsupervised convolutional 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
Many convolutional neural networks (CNN) –based approaches were proposed and applied to detect damage in various civil structures in recent years. Usually, the training process of the classical CNN requires a large number of labeled data which is from the monitored structure in undamaged and various damaged scenarios. However, it is impractical to acquire sufficient data that can be exactly labeled with damaged from the infrastructures in service as training data. Thus, we propose a novel unsupervised CNN-based approach to automatically extract optimal feature representations from the unlabeled data in a single class. In the case study, a known dataset from an undamaged scenario is used to train CNN and a dataset from an unknown scenario is used to test the trained CNN. The proposed approach in unsupervised learning is capable of extracting feature representations from the raw acceleration signals that are sensitive to the presence of damage. Then, the extracted damage-sensitive features are fed into a one-class support vector machine (OC-SVM) for novelty detection. The feature set from the undamaged dataset is taken as training dataset to train the OC-SVM, and the extracted features from the unknown dataset are used for testing. In order to verify the effectiveness of the proposed approach in structural damage localization, a number of accelerometers are used to acquire sufficient raw acceleration data from a lab-scale steel bridge, and the preliminary experimental results show that the proposed novel CNN-based approach performs very well in damage localization.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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