A scientometric analysis of drone-based structural health monitoring and new technologies
Notice bibliographique
Résumé
Critical global challenges, such as climate change and the insufficient availability of resources, mean that it is a pivotal time to make cities more intelligent, efficient, and sustainable in a drive towards a net-zero carbon future. This requires intelligent, interactive, and responsive structural health monitoring (SHM) to assure the longevity and safety of ageing infrastructure. Drones have the potential to revolutionise SHM. Drone-based SHM (as a potential fly-by technique) involves equipping drones with various sensors, or using inbuilt sensors, to capture data and images of structures from different angles and perspectives. The data is then processed and analysed to facilitate accurate assessment of the structure’s health and early diagnosis of damage. Although the use of fly-by is relatively new, the speedy advances in various technologies that could be integrated with it, such as computer vision with artificial intelligence, deep learning, and links to digital twins, put these systems on the verge of a potential breakthrough. This paper provides an overview of fly-by SHM technique using both scientometric and qualitative systematic literature review processes, in order to provide a distinct understanding of the state of the art of research. As an original contribution, our research identified four main clusters of research within the field of fly-by SHM: (1) the application of UAV-enabled vision-based monitoring; (2) the integration of drones, advanced sensor technologies, and artificial intelligence; (3) drone-based SHM integrating modal analysis, energy harvesting, and deep learning; and (4) automation and robotics in drone-based SHM. The paper highlights the integration of new technologies such as artificial intelligence, machine learning, and sensors with the fly-by technique for SHM, identifies the gaps in current fly-by SHM research, and suggests new directions for research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,042 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,147 | 0,185 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».