Non-intrusive bridge weigh-in-motion: integrating geophones and strain sensors for accurate vehicle characterization.
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
This study introduces an innovative Bridge Weigh-in-Motion (BWIM) approach, utilizing a geophone, a novel sensor in the field of Structural Health Monitoring (SHM). Vehicle overloading poses a serious threat to bridge safety and service life. Loaded vehicles exert excessive stress on bridge decks, road pavements, and girders, leading to accelerated degradation of bridge structural components. Therefore, accurate information regarding real traffic loads, especially heavy vehicles, is critical for assessing bridge health. The proposed BWIM system combines geophones and strain sensors to accurately determine axle loads, axle spacing, and Gross Vehicle Weight (GVW) in regular traffic flow. The research methodology consists of bridge span instrumentation, data acquisition, processing, storage, and analysis, detailing the methods for extracting vehicle characteristics from measured bridge responses. Validation is done with field experiments on a real instrumented bridge in Winnipeg, Canada. This study focuses on loaded trucks. Velocity measurements exhibited an error range of -5% to 3.8%, with a confident 95% interval of -0.4% to 0.54% and an R2 value of 0.95, based on a sample of 64 vehicles. GVW calculations demonstrated an error range of -4.6% to +3.2%, and 95% confidence interval of -2.7% to 3.2%, derived from 6 runs of known GVWs. Axle detection accuracy was 95%, assessed across a sample of 41 trucks exceeding 150 kN in GVW. Axle spacings and loads were calculated in the error ranges of -10.52% to 7.8% and -4.97% to 10.48%, respectively. Confidence intervals for these metrics ranged from -2.4% to 3.2% and 1.05% to 8.6%, respectively. This study offers a contribution to the domain of SHM and Civionics, providing a reliable solution for axle detection of loaded trucks and assessing real traffic loads on instrumented bridges.
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) | 0,000 | 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 découle