Comparison of neural networks based on accuracy and robustness in identifying impact location for structural health monitoring applications
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
Structural health monitoring systems must provide accuracy and robustness in predicting the structure’s health using the minimum intervention to ensure commercial viability. Characterization of impact is useful in assessing its severity, deciding if detailed damage analysis is necessary, and re-evaluating the present health of the structure under monitoring with better confidence. In this characterization process, the impact location is significant since some positions within a structure are more sensitive to damage. The inherent noise and uncertainties present in the sensor response pose a substantial hurdle to estimating the external impact correctly. This paper quantitatively compares three of the widely used neural networks, namely, Artificial Neural Network (ANN), Convolutional Neural Network (CNN), and Long Short-Term Memory network (LSTM), to estimate impact location from the lead zirconate titanate (PZT) sensor response. For this purpose, a square aluminum plate of 500 × 500 mm was equipped with four PZT sensors; each placed 100 mm away in both the plate directions from a corner and impact loads were given on a grid covering the whole plate. The PZT responses were used to train the three neural networks under study here, and their estimations were compared based on the Mean Absolute Error (MAE). In addition, increasing Gaussian noise was added to the PZT responses, and the robustness of the three neural networks was monitored. It was found that the ANN gives better accuracy with a Mean Absolute Error of 22 mm compared to Convolutional Neural Network (MAE = 31 mm) and Long Short-Term Memory (MAE = 25 mm). However, CNN is more robust when encountering noise with a 2% reduction in accuracy, while LSTM and ANN lost 7% and 11% accuracy, respectively.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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