MétaCan
Menu
Retour à la cohorte
Enregistrement W4413125305 · doi:10.1080/2150704x.2025.2544355

Monitoring of thermal deformation of cylindrical storage facilities with DInSAR

2025· article· en· W4413125305 sur OpenAlexaff
Zhenming Wu, Pål Gunnar Ellingsen

Notice bibliographique

RevueRemote Sensing Letters · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueSynthetic Aperture Radar (SAR) Applications and Techniques
Établissements canadiensCanadian Society for Digital Humanities
Organismes subventionnairesNorges Forskningsråd
Mots-clésDeformation (meteorology)ThermalDeformation monitoringGeologyGeodesySeismologyRemote sensingMeteorologyPhysics

Résumé

récupéré en direct d'OpenAlex

Cylindrical storage infrastructure like silos, essential for agricultural commodities, can suffer significant structural failures due to long-term exposure, temperature changes and moisture. While initial designs consider thermal deformation, post-construction health monitoring often requires costly specialized equipments. Drawing upon prior applications of using Differential Interferometric Synthetic Aperture Radar (DInSAR) assessing thermal deformation in transportation infrastructure such as railways and bridges, this investigation extends the methodology to the evaluation of cylindrical storage structures, including both silos and petroleum tankers at multiple locations. This research presents an efficient and cost-effective framework utilizing DInSAR technology for monitoring the structural conditions of large cylindrical storage facilities. The investigation successfully captured seasonal thermal deformations, observing displacement cycles with a range approximately 10–15 mm for targeted cylindrical structures. Significant correlations were identified between DInSAR-measured deformations and the corresponding temperature variations, with fixed roof structures displaying the strongest correlation approximately 0.8. Operational structures, such as tankers and silos undergoing loading and unloading cycles, exhibited moderate correlation coefficients (within the range of 0.46 to 0.67). These preliminary results strongly support the potential of DInSAR for low-cost structural health monitoring of large cylindrical infrastructure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,007
Tête enseignante GPT0,204
Écart entre enseignants0,197 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRemote Sensing LettersMême sujetSynthetic Aperture Radar (SAR) Applications and TechniquesTravaux en français237 207