Evaluation of a Railway Bridge Using Distributed and Discrete Strain Sensors
Notice bibliographique
Résumé
With over 100,000 rail bridges in North America, of which many are over 100 years old, railway corporations are interested in developing ever more effective condition assessment and monitoring strategies for their structures. In general, strain gauges have been a common and reliable sensing tool as they can provide low-noise measurements at high sampling frequencies (greater than 100 Hz). However, fully distributed sensors, in the form of fibre optics strain sensors, have the potential to compliment discrete sensors by providing a more complete understanding of structural behaviour under loading. In this paper, a sensor system including fibre optics sensors on the rail and strain gauges on the rail and bridge members was used to measure the strain experienced during train passage on the Newmarket Bridge, located in North Bay, Canada. The test span is a typical open deck through plate girder (TPG) with a floor system consisting of stringers and floor beams. Four locations on the continuously welded rail, an intermediate floor beam supporting two bays, the bottom lateral bracing system in two bays as well as a 4 m length of rail were instrumented with strain gauges and fibre optic sensors. The research objectives were to (i) understand the load path from wheel to rail to bridge and (ii) quantify the stress states of the instrumented bridge members under service traffic. Conclusions drawn from this research will assist the assessment of railway bridge behaviour and improve future monitoring and reinforcement techniques.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».