A Feature-Engineering Approach to Support Vector Machine-Based Damage Detection in Lead Zirconate Titanate Ceramics Via Point-Contact Wavefield Measurement
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
Abstract In this study, a machine learning-based detection and localization of localized damage in lead zirconate titanate (PZT) ceramics is developed. A point-contact excitation and detection method is employed to excite and detect acoustic wave signals from the PZT sensor. The signals are analyzed using non-destructive evaluation techniques. The significant features of wavelet transform coefficients, auto-regressive modeling parameters, peak amplitude, peak location, and wave energy are extracted from the waveforms. These features capture the salient properties of the acoustic response that change in the presence of structural damage. A trained support vector machine classifier is used to distinguish between damaged and healthy regions based on the extracted features. Classification achieved a recall of 92.7% and a precision of 86.0% for the minority damaged class. However, the method is compromised at the center of the samples, where the wave energy is the highest and the signal originates. Furthermore, the thresholding method used in data labeling can be sensitive to local anomalies, potentially leading to misclassification. Despite these challenges, the proposed framework supports a scalable and robust real-time damage detection system. By integrating machine learning, point-contact acoustic sensing, and signal processing, this study contributes to the development of automated and accurate structural health monitoring techniques for smart sensing systems.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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