Passive infrared thermography for subsurface delamination detection in concrete infrastructure: Capabilities
Notice bibliographique
Résumé
Passive infrared thermography (IRT) has been introduced as a faster, safer, and contactless alternative for the nondestructive inspection of subsurface delamination in concrete infrastructure. However, some uncertainties remain, such as the absence of an inspection protocol to inspect multiple concrete components and the dependence of the technique’s performance on environmental conditions and solar energy. This study presents a proof of concept about the capabilities of passive IRT in detecting subsurface damages in multiple concrete components under variate solar exposure. The passive IRT capabilities are explored by analyzing the thermal sequences obtained from samples of artificially damaged concrete structures inspected over 24 h in various environmental conditions over three seasons. As a result, damages with a size-to-depth (S/D) ratio between 1.0 and 2.7 were detected using the thermal contrast method. Furthermore, the implementation of signal processing techniques yielded an improvement in capabilities ranging from 15% to 52%. Finally, a procedure for acquiring data while inspecting multiple concrete components using passive IRT is proposed. • Infrared thermography detection of concrete delamination under varying solar exposure. • Procedure to optimize data collection in concrete under varying solar exposure. • Detection of damages up to 8.0 cm depth in concrete with a 1.0 width-to-depth ratio. • The specific capability varied based on the component type and solar orientation. • Signal processing mostly improved contrast-to-noise ratio and detection capabilities.
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 | 0,000 |
| 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 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 ».