A Crowdsensing-Based Framework for Indirect Bridge Monitoring Using Mel-Frequency Cepstral Analysis Considering Elimination of Operational Effects
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 an indirect bridge monitoring method using Mel-frequency cepstral analysis of inverse-filtered drive-by acceleration signals collected through smartphones. Crowdsensing-based approaches using data collected by smart cars and smartphones opened a new chapter in bridge monitoring by reducing the costs and increasing the efficiency of the bridge monitoring process. However, the major challenge of the dominancy of the operational effects in the recorded drive-by vibrations overshadows the bridge monitoring objective. This paper proposes an inverse filtering-based monitoring approach to suppress operational effects. The inverse-filtered spectrum is later employed in a Mel-frequency cepstral analysis, leading to the calculation of the abnormality index, which is then used to detect the change in the bridge state. The performance of the proposed method in suppressing operational effects is assessed through a series of laboratory and real-life experiments. Afterward, the damage detection capability of the method is investigated for two damage levels at different locations along the bridge, modeled in a laboratory environment. The results provide evidence for the capability of the proposed method in drive-by damage detection of bridges. Moreover, using the smartphone as the data acquisition device paves the path toward the implementation of the method for crowdsensing-based bridge monitoring in future smart cities, although more operational factors such as passenger interactions and resulting smartphone motions need to be considered in future studies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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