MétaCan
Menu
Retour à la cohorte
Enregistrement W4400147614 · doi:10.58286/29589

Toward Indirect Real-Time Prediction of Bridge Vibration Responses Under Traffic Flow Through a Population of Connected Sensing Vehicles

2024· article· en· W4400147614 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

Revuee-Journal of Nondestructive Testing · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésTraverseBridge (graph theory)TimestampAccelerationComputer scienceModalPopulationReal-time computingTraffic flow (computer networking)EngineeringSimulationComputer network

Résumé

récupéré en direct d'OpenAlex

Condition monitoring of bridge structures as the lifelines of smart cities is high of importance. While indirect vehicle scanning techniques have shown promising results and have less cost compared to mounting fixed sensors on the bridge, they have limitations in predicting response under traffic flow since the crossing time of one vehicle is very short. This paper presents a novel crowsensing-based framework for predicting bridge acceleration responses and identifying the modal characteristics. This method utilizes smartphone data from a diverse population of sensing vehicles as they traverse the bridge to predict bridge acceleration response at various virtual sensing locations. Subsequently, the predicted acceleration is used to identify the mode shapes and natural frequencies of the bridge. The principal innovation in this practical and cost-effective monitoring solution is the utilization of a randomly selected set of sensing vehicles at each timestamp. These selections may differ from one timestamp to the next, reflecting the real-world conditions where certain vehicles may intermittently lose or disconnect their internet connectivity. By consistently updating the set of sensing agents while other vehicles cross the bridge, the proposed framework overcomes the data length limitations of conventional vehicle-based methods by leveraging multiple vehicles and continuous data collection. Comprehensive numerical studies are conducted to evaluate the performance of the method. In the numerical investigations, a three-span bridge is subjected to the continuous passing of a large number of half-car vehicle models with random speeds and initial locations. Vehicle-bridge interaction is considered in the analysis. Utilizing a single randomly selected sensing agent at each timestamp, the results demonstrate the effectiveness of the framework in predicting bridge acceleration response with a relative error of less than 5%. Additionally, the method achieves an accuracy level of 95% in identifying the bridge's initial three mode shapes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,711
Score d'incertitude au seuil0,708

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,066
Tête enseignante GPT0,304
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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