Non-destructive erosive wear monitoring of multi-layer coatings using AI-enabled differential split ring resonator based system
Notice bibliographique
Résumé
Unprotected surfaces where a coating has been removed due to erosive wear can catastrophically fail from corrosion, mechanical impingement, or chemical degradation, leading to major safety hazards, financial losses, and even fatalities. As a preventive measure, industries including aviation, marine and renewable energy are actively seeking solutions for the real-time and autonomous monitoring of coating health. This work presents a real-time, non-destructive inspection system for the erosive wear detection of coatings, by leveraging artificial intelligence enabled microwave differential split ring resonator sensors, integrated to a smart, embedded monitoring circuitry. The differential microwave system detects the erosion of coatings through the variations of resonant characteristics of the split ring resonators, located underneath the coating layer while compensating for the external noises. The system's response and performance are validated through erosive wear tests on single- and multi-layer polymeric coatings up to a thickness of 2.5 mm. The system is capable of distinguishing which layer is being eroded (for multi-layer coatings) and estimating the wear depth and rate through its integration with a recurrent neural network-based predictive analytics model. The synergistic combination of artificial intelligence enabled microwave resonators and a smart monitoring system further demonstrates its practicality for real-world coating erosion applications.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».