Smartphone Prospects in Bridge Structural Health Monitoring, a Literature Review
Notice bibliographique
Résumé
Bridges are critical components of transportation networks, and their conditions have effects on societal well-being, the economy, and the environment. Automation needs in inspections and maintenance have made structural health monitoring (SHM) systems a key research pillar to assess bridge safety/health. The last decade brought a boom in innovative bridge SHM applications with the rise in next-generation smart and mobile technologies. A key advancement within this direction is smartphones with their sensory usage as SHM devices. This focused review reports recent advances in bridge SHM backed by smartphone sensor technologies and provides case studies on bridge SHM applications. The review includes model-based and data-driven SHM prospects utilizing smartphones as the sensing and acquisition portal and conveys three distinct messages in terms of the technological domain and level of mobility: (i) vibration-based dynamic identification and damage-detection approaches; (ii) deformation and condition monitoring empowered by computer vision-based measurement capabilities; (iii) drive-by or pedestrianized bridge monitoring approaches, and miscellaneous SHM applications with unconventional/emerging technological features and new research domains. The review is intended to bring together bridge engineering, SHM, and sensor technology audiences with decade-long multidisciplinary experience observed within the smartphone-based SHM theme and presents exemplary cases referring to a variety of levels of mobility.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,002 |
| 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 ».