Predictive Analytics of In‐Service Bridge Structural Performance from SHM Data Mining Perspective: A Case Study
Notice bibliographique
Résumé
In‐service bridge structural performance analysis and prediction are usually complicated and challenging because of many unknown and uncertain factors. Contrary to the traditional structural appearance inspections and load tests, structural health monitoring (SHM) can provide a perspective for online analysis, prediction, and early warning. So far, SHM has been widely used in many bridge structures, and a lot of bridge SHM data have also been collected. However, the existing studies usually focus on some independent and unsystematic analysis methods, which are hard to use widely in engineering applications to reveal the overall structural performance. This study focuses on the structural performance analysis and prediction of the highway in‐service bridge. The dynamic problems in bridge SHM are pointed out firstly, followed by a detailed analysis about the characteristics of bridge SHM data. With the consideration of different characteristics, three targeted analysis methods are proposed. An urban concrete‐filled steel tube (CFST) truss girder bridge (opened to traffic in 1995) is also presented, which once experienced some prominent vibration problems. The bridge SHM system is designed and stalled after several appearance inspections, load tests, and some reinforcement measures. The data mining methods proposed (distribution function, association analysis, and time‐series analysis) are employed for the analysis and prediction of structural response and deterioration extent. This study can provide some references for maintenance and management and can also build a foundation for further online analysis and early warning.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».