Prediction method of condition degradation for network-level bridges based on U-Net++ convolutional neural network
Notice bibliographique
Résumé
The condition degradation prediction for network-level bridges is conducive to the decision-making of bridge maintenance. However, traditional prediction methods mainly belong to shallow neural networks and have difficulty in extracting the common degradation features of network-level bridges, thus obtaining a limited prediction accuracy. To this end, this study proposes a prediction method of condition degradation for network-level bridges based on U-Net++ convolutional neural network , in which the U-Net++ is employed to capture the common degradation characteristics of network-level bridges by the fusion of multi-scale feature. Firstly, a dataset of bridge condition is established based on the inspection data of 539 bridges in a typical city. A correlation analysis is performed to preliminarily reveal the relevance between the key features of the bridge and the bridge condition level. Then, the U-Net++ network model is utilized to establish a nonlinear mapping relationship between the key features of the bridge and the bridge condition level. By the established model, the predication of bridge condition level can be achieved. Several machine learning models and three U-Net-based model are employed to verify the advantages of the proposed method. The results show that the proposed model may be the optimal network architecture for bridge condition degradation prediction. It overcomes the shortcomings of traditional U-Net model with a large fluctuation in the prediction and obtains a prediction accuracy of over 80 % for both the primary components of the bridges and the whole bridge.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».