MétaCan
Menu
Retour à la cohorte
Enregistrement W3009713383

Morphological Filtering of SHM Datasets

2011· article· en· W3009713383 sur OpenAlexaboutno aff
D.K. McNeill, M. Soiferman

Notice bibliographique

RevueStructural Health Monitoring · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésClosing (real estate)Offset (computer science)Computer scienceSignal processingEnvelope (radar)SIGNAL (programming language)Dilation (metric space)Strain gaugeData processingData miningPattern recognition (psychology)Artificial intelligenceMathematicsTelecommunicationsRadarStructural engineeringEngineeringGeometry
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This article reports on our success in applying a mathematical morphology approach, normally used in image processing, to SHM data collected from the Red River North Perimeter Bridge in Winnipeg, Canada. This data is modeled as the sum of the true structural response, together with an undesirable temperature dependent strain and a strain offset. A single reference gauge was installed on the structure with the intent of tracking and removing the latter two effects. In practice, however, that approach failed to yield satisfactorily corrected datasets. Further attempts were made to use basic envelope detection or simply high pass filtering to remove the slowly varying components of the data. Both of these methods show some promise but did not perform sufficiently well to be of practical use. In place of the previous approaches, a modified form of envelope detection was implemented that applies morphological operators to the recorded strain signal. In this study the operators opening and closing were used, which are based on the more fundamental operations of erosion and dilation. When processing SHM data, the opening and closing operations were applied in pairs: opening-closing, and closing-opening. Doing so removes the important strain event activity from the original signal leaving only the background response. It is then possible to subtract this background response from the original signal to produce a cleaned signal. This approach can be applied equally well to signals with significant background trends and to signals with no discernible trend, without the risk of corrupting the key features of the data in either case. This means that the technique can be applied indiscriminately as a general pre-processing step to clean SHM measurements before further analysis is carried out. Having such a generally applicable method is important as it simplifies the data processing by avoiding the need to perform separate, case-based, procedures on the data streams.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,079
Tête enseignante GPT0,337
Écart entre enseignants0,258 · 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'étudeSimulation ou modélisation
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
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStructural Health MonitoringMême sujetStructural Health Monitoring TechniquesTravaux en français237 207