Event identification in acoustic emission from wire breaks in pre-stressing/post-tensioning cables
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
Abstract Steel tendons commonly used in pre-stressed/post-tensioned concrete structural systems can lose cross-section due to corrosion, eventually leading to acoustic emission (AE) events when the stress exceeds the breaking strength of the wires that make up the tendons. Reliable differentiation of wire break AE events from traffic or grout crack events is critical for monitoring large structures, even where the distance between sensors may produce highly attenuated signals. In this paper, the Fuzzy c-means clustering algorithm was employed to differentiate AEs released from breaking wires of steel tendons from a database of 13464 AEs, including wire breaks, environmental and grout crack AEs. Wire breaks and grout crack AEs were collected from axial loading tests of grouted tendons in which the load increased until a wire broke. Environmental acoustic signals were collected from a bridge. Then all the collected AEs were gathered in a database and post-processed to simulate attenuation of up to 20 m from source to sensor. To optimize the speed and reliability of the Fuzzy c-means clustering algorithm, a non-dominated sorting genetic algorithm-II (NSGA-II) was used to find the minimum number of acoustic features needed. The NSGA-II algorithm started with 201 possible acoustic features and found 12 combinations of features that resulted in more than 80% wire break detection accuracy. In contrast, less than 3% of grout cracks and 0% of environmental signals were detected as wire breaks. The proposed method is suitable for deployment in a large sensor network and has sufficiently low-computational requirements for at-the-sensor processing, eliminating the need to send high-frequency sampled data outside the sensor node.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 découle