Removal of freezing effects from modal frequencies of civil structures for structural health monitoring
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
Freezing weather can introduce challenges in long-term structural health monitoring of civil structures, particularly bridges. A noticeable impact of freezing temperature is the emergence of sudden and sharp increases in structural modal frequencies, causing false alarm and mis-detection errors in change detection of civil structures. This paper proposes an innovative unsupervised data normalization method to mitigate freezing effects. The proposed method integrates locally robust principal component analysis (LRPCA) with Gaussian density distance (GDD) clustering, called GDD-LRPCA, which automatically determines the number of clusters. Initially, a training set of original modal frequencies is partitioned via the GDD clustering. Subsequently, an individual LRPCA model is fitted to each partition to extract new normalized modal frequencies insensitive to freezing effects. The groundbreaking nature of this research relies on developing an integrated unsupervised data normalizer by leveraging advanced machine learning algorithms such as local learning, robust learning, and hybrid unsupervised learning. The major advantage of the proposed method is its non-parametric nature obviating any supplementary technique for hyperparameter optimization. The validity of this method is benchmarked by real-world bridge structures along with several comparative analyses. Results demonstrate that GDD-LRPCA effectively removes the freezing effects from structural modal frequencies and outperforms its counterparts in unsupervised data normalization. • Proposing an unsupervised data normalizer for removing freezing effects from modal frequencies under statistical learning. • Leveraging cutting-edge machine learning algorithms including local learning, robust learning, and hybrid learning. • Suggesting a non-parametric framework for unsupervised data normalization without any hyperparameter optimization • Lacking the need for temperature sensor installation and measurement for removing freezing effects.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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