Structure Fatigue Crack Length Estimation and Prediction Using Ultrasonic Wave Data Based on Ensemble Linear Regression and Paris’s Law
Notice bibliographique
Résumé
This paper presents methods for the 2019 PHM Conference Data Challenge developed by the team named "Angler". This Challenge aims to estimate the fatigue crack length of a type of aluminum structure using ultrasonic signals at the current load cycle and to predict the crack length at multiple future load cycles (multiple-step-ahead prediction) as accurately as possible. For estimating crack length, four crack-sensitive features are extracted from ultrasonic signals, namely, the first peak value, root mean square value, logarithm of kurtosis, and correlation coefficient. An ensemble linear regression model is presented to map these features and their second-order interactions with the crack length. The Best Subset Selection method is employed to select the optimal features. For predicting crack length, variations of the Paris’ law are derived to describe the relationships between the crack length and the number of load cycles. The material parameters and stress range of Paris’ law are learned using the Genetic Algorithm. These parameters will be updated based on the previous-step predicted crack length. After that, the crack length corresponding to a future load cycle number for either the constant amplitude load case or variable amplitude load case is predicted. The presented methods achieved a score of 16.14 based on the score-calculation rule provided by the Data Challenge committees, and was ranked third best among all participating teams.
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 ».