Modeling of Supplemental Bar-Mounted Fiber Optic Strain Sensor for Structural Health Monitoring Applications
Notice bibliographique
Résumé
ABSTRACT Fiber optic sensors have been increasingly utilized in structural health monitoring of large-scale civil structures. Bare fiber sensors are quite brittle, and therefore, their installation and embedment in reinforced concrete elements can be challenging, particularly when using uncommon materials as internal reinforcements in concrete. In the present study, a fiber optic strain sensor is preinstalled on a supplemental bar of adequate length and appropriate diameter. The sensor is attached to a glass fiber-reinforced polymer (GFRP) reinforcing bar in concrete flexural element. Performance under static-loading conditions has been evaluated, and the results have shown potential toward applying the technique to large-scale structures. Another objective of the present study is to develop a numerical model that represents the interaction between the concrete, the reinforcement steel, and the supplemental GFRP rebar, which has the sensor mounted on. The model is calibrated using experimental results. The model can be used to investigate varying parameters including material properties (e.g., compressive strength of concrete), geometrical data (e.g., the length of the supplemental rebar), and loading and boundary conditions, consequently eliminating the need to perform a large number of full-scale costly experiments. The developed model exhibited nearly identical behavior to the experiments after calibration. The study shows that the performance of the present sensing system is primarily affected by the relative sizes of the main and supplemental bars.
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 | 0,001 | 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 ».