Lamb wave damage severity estimation using ensemble-based machine learning method with separate model network
Notice bibliographique
Résumé
Abstract Lamb wave-based damage estimation have great potential for structural health monitoring. However, designing a generalizable model that predicts accurate and reliable damage quantification result is still a practice challenge due to complex behavior of waves with different damage severities. In the recent years, machine learning (ML) algorithms have been proven to be an efficient tool to analyze damage-modulated Lamb wave signals. In this study, ensemble-based ML algorithms are employed to develop a generalizable crack quantification model for thin metallic plates. For this, the scattering of Lamb wave signals due to different configuration of crack dimension and orientation is extensively studied. Various finite element simulations signals, representing distinct crack severities in term of crack length, penetration and orientation are acquired. Realizing that both temporal and spectral information of signal is extremely important to damage quantification, three time-frequency (TF) based damage sensitive indices namely energy concentration, TF flux and coefficient of energy variance are proposed. These damage features are extracted by employing smoothed-pseudo Wigner–Ville distribution. After that data augmentation technique based on the spline-based interpolation is applied to enhance the size of the dataset. Eventually, these fully developed damage dataset is deployed to train ensemble-based models. Here we propose separate model network, in which different models are trained and then link together to predict new and unseen datasets. The performance of the proposed model is demonstrated by two cases: first simulated data incorporated with high artificial noises are employed to test the model and in the second scenario, experimental data in raw form are used. Results indicate that the proposed model has the potential to develop a general model that yields reliable answer for crack quantification.
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 ».