Advanced wind turbine blade inspection with hyperspectral imaging and 3D convolutional neural networks for damage detection
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
In the context of global efforts to mitigate climate change by pursuing sustainable energy sources, wind energy has emerged as a critical contributor. However, the wind energy industry faces substantial challenges in maintaining and preserving the integrity of wind turbine blades. Timely and accurate detection and classification of blade faults, encompassing issues such as cracks, erosion, and ice buildup, are imperative to uphold wind turbines' ongoing efficiency and safety. This study introduces an inventive approach that amalgamates hyperspectral imaging and 3D Convolutional Neural Networks (CNNs) to augment the precision and efficiency of wind turbine blade fault detection and classification. Hyperspectral imaging is harnessed to capture comprehensive spectral information from blade surfaces, facilitating exact fault identification. The process is streamlined through Incremental Principal Component Analysis (IPCA), reducing data dimensions while maintaining integrity. The 3D CNN model demonstrates remarkable performance, achieving high accuracy in detecting all fault categories in full-band hyperspectral images. The model retains high accuracy even with dimensionality reduction to 20 spectral bands. The reduced processing time of the 20-band image enhances the practicality of real-world applications, thereby reducing downtime and maintenance expenditures. This research represents a significant advancement in wind turbine blade inspection, contributing to the sustainability and dependability of wind energy systems and furthering the cause of a cleaner and more sustainable energy future as part of the broader fight against climate change.
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