Deterioration Mapping of RC Bridge Elements Based on Automated Analysis of GPR Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ground-Penetrating Radar (GPR) is a popular non-destructive technique for evaluating RC bridge elements as it can identify major subsurface defects within a short span of time. The data interpretation of the GPR profiles based on existing amplitude-based approaches is not completely reliable when compared to the actual condition of concrete with destructive measures. An alternative image-based analysis considers GPR as an imaging tool wherein an experienced analyst marks attenuated areas and generates deterioration maps with greater accuracy. However, this approach is prone to human errors and is highly subjective. The proposed model aims to improve it through automated detection of hyperbolas in GPR profiles and classification based on mathematical modeling. Firstly, GPR profiles are pre-processed, and hyperbolic reflections were detected in them based on a trained classifier using the Viola–Jones Algorithm. The false positives are eliminated, and missing regions are identified automatically across the top/bottom layer of reinforcement based on user-interactive regional comparison and statistical analysis. Subsequently, entropy, a textural factor, is evaluated to differentiate the detected regions closely equivalent to the human visual system. These detected regions are finally clustered based on entropy values using the K-means algorithm and a deterioration map is generated which is robust, reliable, and corresponds to the in situ state of concrete. A case study of a parking lot demonstrated good correspondence of deterioration maps generated by the developed model when compared with both amplitude- and image-based analysis. These maps can facilitate structural inspectors to locally identify deteriorated zones within structural elements that require immediate attention for repair and rehabilitation.
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.
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 | 0,001 |
| 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 découle