MétaCan
Menu
Retour à la cohorte
Enregistrement W3127847014 · doi:10.3390/s21041089

Acoustic Emission Signal Entropy as a Means to Estimate Loads in Fiber Reinforced Polymer Rods

2021· article· en· W3127847014 sur OpenAlexafffund
Mohammadhadi Shateri, Maha Ghaib, Dagmar Svecova, D. J. Thomson

Notice bibliographique

RevueSensors · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensUniversity of ManitobaMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaResearch Manitoba
Mots-clésRodAcoustic emissionFibre-reinforced plasticMaterials scienceComposite materialStructural engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

Fibre reinforced polymer (FRP) rods are widely used as corrosion-resistant reinforcing in civil structures. However, developing a method to determine the loads on in-service FRP rods remains a challenge. In this study, the entropy of acoustic emission (AE) emanating from FRP rods is used to estimate the applied loads. As loads increased, the fraction of AE hits with higher entropy also increased. High entropy AE hits are defined using the one-sided Chebyshev’s inequality with parameter k = 2 where the histogram of AE entropy up to 10–15% of ultimate load was used as a baseline. According to the one-sided Chebyshev’s inequality, when more than 20% (k = 2) of AE hits that fall further than two standard deviations away from the mean are classified as high entropy events, a new distribution of high entropy AE hits is assumed to exist. We have found that the fraction of high AE hits. In glass FRP and carbon FRP rods, a high entropy AE hit fraction of 20% was exceeded at approximately 40% and 50% of the ultimate load, respectively. This work demonstrates that monitoring high entropy AE hits may provide a useful means to estimate the loads on FRP rods.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,295
Écart entre enseignants0,284 · 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'étudeExpérimental (laboratoire)
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

Citations6
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSensorsMême sujetStructural Health Monitoring TechniquesTravaux en français237 207