Development of muon scattering tomography for detection of reinforcement in concrete
Notice bibliographique
Résumé
Abstract Inspection of ageing, reinforced concrete structures is a world-wide challenge. Existing evaluation techniques in civil and structural engineering have limited penetration depth and do not allow to precisely ascertain the configuration of reinforcement within large concrete objects. The big challenge for critical infrastructure (bridges, dams, dry docks, nuclear bioshields etc.) is understanding the internal condition of the concrete and steel, not just the location of the reinforcement. Muon scattering tomography is a non-destructive and non-invasive technique which shows great promise for high-depth 3D concrete imaging. Here a method is presented to locate reinforcement meshes placed in a large-scale concrete object. A reinforcement mesh was simulated as two layers of 2 m long bars, forming a mesh. Two layers of the mesh were placed at several distances from each other inside a large concrete block. Previously, we have shown that using our autocorrelation technique for single meshes inside the concrete and using only one week worth of data taking, bars with a diameter of 7 mm and larger, could easily be detected for a 10 cm mesh spacing. The signal for 6 mm diameter bar exceeds the background and becomes very clear after two weeks of data taking. Here we show that we can detect the vertical positions of two mesh layers inside the concrete. This is a very important result for non-destructive evaluation of civil structures.
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 ».