Low‐cost digital image correlation and strain measurement for geotechnical applications
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
Abstract Particle image velocimetry (PIV), or digital image correlation (DIC), is a widely used technique to measure soil displacements and strains in small‐scale geotechnical models. Arrays of single‐board computers (SBCs) produced by Raspberry Pi, and their associated 8‐MP cameras, are being used at the University of Cambridge to capture the images required for DIC analysis. This alternative to more expensive camera set‐ups has numerous advantages. A single expensive and large camera can be replaced—at low cost—by multiple cameras, adding flexibility and affordability to any experimental set‐up. Traditionally, the alignment of multiple cameras to each other and the referencing to a known coordinate system required painted or machined markers to be located on the observation windows through which the experiments are viewed. This can obstruct localised soil grain displacement measurements in those areas of the model where such markers are placed. To complement the Raspberry Pi camera system, a markerless calibration method was used during image acquisition. This paper outlines the set‐up of four of these small computers and associated cameras, provides an overview of the use of the markerless referencing system and reviews two different experimental apparatus used to measure soil displacement and strain. When the cost of additional cabling, connectors and mounting hardware is considered for this system, the total cost to implement was approximately $125 USD per camera plus one‐time costs of $175 USD for system peripherals, which represents outstanding value and enables practically all geotechnical laboratories to develop similar capabilities.
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