A literature review of next-generation smart sensing technology in structural health monitoring
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
Advent of computationally efficient smartphones, inexpensive high-resolution cameras, drones, and robotic sensors has brought a new era of next-generation intelligent monitoring systems for civil infrastructure. Vibration-based condition assessment has garnered as a prominent method of evaluating the health of large-scale infrastructure. The use of contact-based sensors for acquiring vibration data becomes uneconomical and tedious due to their instrumentation cost, centralized nature, and densification required to collect sufficient data for system identification of modern complex structures. A need to advance and develop alternative methods for efficient sensing system results in next-generation measurement technology of structural health monitoring. The abundance of handheld smartphones with easily programmable framework has helped in modifying relevant software to acquire vibration data using embedded sensors in the smartphone. The inexpensive cameras have been used to capture images and videos that are utilized to understand the structural behavior with the aid of advanced signal processing techniques. The inaccessible components of structures require noncontact sensors such as unmanned aerial vehicles (UAVs) or so-called drones and mobile sensors to acquire structural data. To the authors' knowledge, this paper first time presents a comprehensive review of a suite of next-generation smart sensing technology that has been developed in recent years within the context of structural health monitoring. The state-of-the-art methods have been presented by conducting a detailed literature review of the recent applications of smartphones, UAVs, cameras, and robotic sensors used in acquiring and analyzing the vibration data for structural condition monitoring and maintenance.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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