Active and passive acoustic emission-based detection of corrosion damage in steel rods and tendons
Notice bibliographique
Résumé
This thesis was focused on two aims: first, using acoustic emission (AE) for corrosion damage monitoring of steel tendons, and second, using AE for corrosion damage monitoring of steel grounding rods. First, the Fuzzy c-means clustering algorithm was employed to differentiate AEs of breaking wires of steel tendons from environmental and grout crack AEs. The signals were post-processed to simulate different ranges of acoustic attenuation. To optimize the speed and reliability of the clustering algorithm, a Non-Dominated Sorting Genetic Algorithm-II (NSGA-II) was used to find the minimum number of acoustic features needed. The NSGA-II algorithm found 12 combinations of features that resulted in more than 80% wire break detection accuracy. In contrast, less than 3% of grout cracks and 0% of environmental signals were detected as wire breaks. The proposed method has sufficiently low-computational requirements and is reliable and insensitive to attenuation. This work was extended to monitor damage progression in pre-stressed concrete beams exposed to accelerated corrosion. At the termination of the accelerated corrosion experiment, the beam was sliced into sixty-two cross-sections to inspect and correlate corrosion and tendon slippage with AE signals. This work points to the use of AE to track the progression of damage in cases where corrosion has already resulted in tendon fracture and progression is proceeding by loss of bond. Second, the fuzzy c-means was applied to guided wave pulse-echo detection of corrosion damage in grounding rods. A database of realistic acoustic guided-wave pulse-echo signals was created using accelerated corrosion on steel grounding rods to create corrosion defects with 50% cross-sectional loss. The rods were covered with different thicknesses of clay to simulate different ranges of acoustic attenuation. The NSGA-II was used to select an optimal acoustic feature set. The defect detection method produced low false positives and achieved a depth resolution of approximately 0.3 m. Monte Carlo analysis showed the proposed method detects >99% of damaged segments as damaged, and 92% of intact segments as intact, with a 90% probability. The proposed algorithm is insensitive to attenuation due to varying soil conditions.
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 ».