Real-Life Investigations of Inverse Filtering for Frequency Identification of Bridges Using Smartphones in Passing Vehicles
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
This paper puts forward a real-life assessment of a novel inverse filtering methodology to extract bridge features from acceleration signals recorded on smartphones in the passing vehicles. The vibration of a moving vehicle is affected by various features, such as suspension and speed. This study focuses on filtering out these effects from the signals to extract bridge frequencies as the vehicle crosses the bridge. Hence, the spectrum of the vibration data recorded on the vehicle when moving off the bridge is employed to form an inverse filter which removes the vehicle-related frequency content. Since the speed of the vehicle is found to be one of the most effective factors in the filter design in our previous studies, a database of the off-bridge vibrations is built for different speeds. Later, when the same vehicle is moving on the bridge, the corresponding inverse filter is applied to the recorded on-bridge data to suppress the vehicle frequencies and amplify the bridge frequencies. All the required data are recorded using the built-in accelerometer and GPS sensor of the smartphone, eliminating the need for any extra instruments. In addition, this approach considers each data source separately and designs a unique filter for each data collection device within each vehicle, which makes it robust against device and vehicle features. As a result of the proposed methodology, it would be possible to monitor a large number of bridges using crowdsourced data collected from the smartphones in the vehicles. Such methodologies are expected to improve the sustainability and resiliency of our future infrastructure systems and future cities.
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 | 0,000 |
| 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 découle