A scientometric analysis of drone-based structural health monitoring and new technologies
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
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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