Condition Monitoring of Wind Turbine Blades Using Active and Passive Thermography
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
The failure of wind turbine blades is a major concern in the wind power industry due to the resulting high cost. It is, therefore, crucial to develop methods to monitor the integrity of wind turbine blades. Different methods are available to detect subsurface damage but most require close proximity between the sensor and the blade. Thermography, as a non-contact method, may avoid this problem. Both passive and active pulsed and step heating and cooling thermography techniques were investigated for different purposes. A section of a severely damaged blade and a small “plate” cut from the undamaged laminate section of the blade with holes of varying diameter and depth drilled from the rear to provide “known” defects were monitored. The raw thermal images captured by both active and passive thermography demonstrated that image processing was required to improve the quality of the thermal data. Different image processing algorithms were used to increase the thermal contrasts of subsurface defects in thermal images obtained by active thermography. A method called “Step Phase and Amplitude Thermography”, which applies a transform-based algorithm to step heating and cooling data was used. This method was also applied, for the first time, to the passive thermography results. The outcomes of the image processing on both active and passive thermography indicated that the techniques employed could considerably increase the quality of the images and the visibility of internal defects. The signal-to-noise ratio of raw and processed images was calculated to quantitatively show that image processing methods considerably improve the ratios.
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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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