Unveiling patterns and trends in research on cumulative damage models for statistical and reliability analyses: Bibliometric and thematic explorations with data analytics
Notice bibliographique
Résumé
This study comprehensively explores the research landscape within statistical and reliability studies, focusing on the Birnbaum-Saunders distribution, Gaussian inverse distribution, cumulative damage models, and fatigue life prediction.Using a combination of bibliometric analysis, network visualization, thematic mapping, and latent Dirichlet allocation, we analyze 465 articles from the ISI Web of Science database.These articles were selected for their relevance based on a targeted search strategy.Our analysis identifies key trends, collaboration networks, and emerging research themes.Notable growth in scholarly activity was observed from 2015 to 2021, with a peak around 2021, followed by a decline in the number of publications.Relevant contributions were noted from countries such as Brazil, Canada, Chile, China, Iran, Japan, and the United States.The thematic analysis of keywords reveals influential motor themes like the Birnbaum-Saunders distribution and expectation-maximization algorithm; specialized niche areas such as producer risk; emerging or declining themes like the generalized Birnbaum-Saunders distribution; and foundational themes including cumulative damage and fatigue life distributions.A cluster analysis states key focus areas, such as material durability and advanced statistical methods.Integrating latent Dirichlet allocation, six main topics are derived, capturing broad thematic structures.However, some niche areas do not align directly due to their specialized nature and limited cross-field impact.These findings map the current research on this thematic and suggest future research directions, including deeper exploration of niche themes, integration of advanced statistical methods in practical applications, and increased collaboration across diverse research areas to enhance the robustness and applicability of reliability models.
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 | 0,015 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,108 | 0,137 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».