MétaCan
Menu
Retour à la cohorte
Enregistrement W2901647872 · doi:10.1115/smasis2018-7951

Application of Entropy in Crack Identification at Welding Joint With a New Smart Coating Sensor

2018· article· en· W2901647872 sur OpenAlexaff
Xin Wang, Nan Wu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceStructural engineeringVibrationFinite element methodNonlinear systemWeldingAcousticsMechanicsComposite materialEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

An identification module is designed and studied to detect and evaluate the cracks at the welding joint area using a new smart coating sensor and entropy measurement. A new piezoelectric composite coating is applied at a welding joint to possibly charge the wireless data transmission module as an energy harvester. It also sends warning and dynamic signals for crack evaluation when the crack damage occurs. More specifically, entropy calculation is introduced to quantify the weak perturbations, which is caused by the material nonlinearity and crack breathing at the crack tip and hidden in the signal. In this paper, a finite element model (FEM) of a welded beam experiencing dynamic base motion is established as an example. The effects of material nonlinearity and crack breathing on structural dynamics response are simulated by creating nonlinear material property around the crack area and contact pair of crack walls, respectively. After obtaining the time domain vibration signal, crack severity is quantified using Sample Entropy. It is concluded that, even at very early stages of 5% of the beam thickness for the crack depth, the entropy variation is significant for a damaged beam compared with the healthy one.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,000
Score d'incertitude au seuil0,001

Scores du classifieur distillé par catégorie (deux têtes)

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 Opus0,020
Tête enseignante GPT0,275
Écart entre enseignants0,255 · 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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetStructural Health Monitoring TechniquesTravaux en français237 207