Rapid and Automated Damage Detection in Buildings Through ARMAX Analysis of Wind Induced Vibrations
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
After a seismic event, it is imperative that critical structural members that are damaged within a building are identified and analyzed as soon as possible to ensure proper remedial measures can be taken. Failure to detect damage or correctly analyze the severity of damage within the building could have catastrophic consequences. When a reinforced concrete building is subjected to a damaging event, the current standard method for identifying and analyzing structural damage involves extensive surfacelevel visual inspections which often result in inconclusive and inconsistent damage analysis. Structural Health Monitoring (SHM) is a rapidly developing field which is vastly improving the way damage is assessed within buildings and other major infrastructure. In this paper, an automated SHM Damage Detection Model (DDM) specifically tailored for buildings is developed that uses time series analysis along with sensor clustering techniques to detect damage in a building from its vibration response due to ambient wind loading. The specific time series analysis methodology used throughout this paper is an Auto-Regressive Moving Average model with eXogenous inputs (ARMAX). To validate the ARMAX DDM, a detailed wind simulation model that applies forces based on actual wind behavior is created along with a numerical damage model applicable to reinforced concrete buildings. To evaluate the effectiveness of the proposed DDM in locating and quantifying damage at a story level precision, two buildings are modeled in SAP2000. The results from the numerical modeling proved the effectiveness of the ARMAX DDM at accurately locating and quantifying the degree damage from wind induced floor vibrations at a story level precision. The limitations of the DDM in its current state and recommendations for future work are discussed to conclude the paper.
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 | 0,000 |
| 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