Real-time drive-by bridge damage detection using deep auto-encoder
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 condition monitoring of bridge structures has been a concern in the last decades due to their aging and deterioration, in which the core task is damage detection. Recently, the drive-by method has gained much attention as it only needs several sensors installed on the passing vehicle. In this paper, we proposed an automatic damage detection method, which can be exploited in real time when the vehicle is passing the bridge. There are three steps in the proposed method: (1) The vehicle’s framed short-time vibrations instead of full-length data are utilized for training a deep auto-encoder model; at this stage, not commonly used time-domain accelerations of the passing vehicle, but its selected frequency-domain responses are employed to circumvent the influence of noises, (2) For the bridge with unknown health conditions, damage indicators can be extracted from its passing vehicle’s short-time vibration data using the trained model, and (3) The bridge’s health states are determined by real-time extracted damage indicators. To verify the proposed idea, a U-shaped continuous beam and a model truck are used to simulate the vehicle bridge interaction system in engineering. Results showed that the proposed method could identify the bridge’s damage with an accuracy of 86.2% when different severity was considered. In addition, it was observed that higher damage severity could not be revealed by greater values of damage indicators in the laboratory test. Instead, a novel index called identified damage ratios was employed as a reference for assessing the severity of the bridge’s damage. It was shown that with the increase in damage severity, the index would increase and gradually approach 100%.
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