A GPS-Integrated IoT Framework for Real-Time Monitoring of Prefabricated Building Modules During Transportation
Notice bibliographique
Résumé
The transportation phase in off-site construction subjects prefabricated modules to road-induced vibrations, shocks, and handling loads that can degrade structural integrity. Existing monitoring approaches often rely on local data loggers, which not only lack real-time visibility but also fail to link structural responses to their precise spatial and temporal context. To address this gap, this study proposes a GPS-integrated Internet of Things (IoT) framework for real-time monitoring of prefabricated modules during transit. The system comprises distributed inertial sensing nodes wirelessly connected to a central gateway, which aggregates and transmits synchronized sensor and GPS data to a cloud platform for analysis and visualization. Field validation demonstrated stable multi-node data acquisition with sufficient battery life to support extended monitoring under LTE connectivity. The framework supports dual-stream analytics: (i) time- and frequency-domain assessment of structural exposure using peak acceleration, RMS, and FFT metrics, and (ii) causal inference of road events (e.g., potholes, bumps, sharp turns). Vertical acceleration emerged as the most responsive diagnostic channel for capturing road-induced excitations, while gyroscope-derived motion profiles distinguish between driver maneuvers and road irregularities. Through seamless integration of structural and geospatial data in a scalable, low-cost system, this framework enables actionable insights for route planning, condition-based inspection, and improved logistics management in modular construction.
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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».