A novel clustering based curvature method with wavelet transform for detecting progressive damage of simply supported ultra-high performance fiber-reinforced concrete beams using laser scanner vibrometer
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
Monitoring the structural performance of Ultra-High-Performance Fiber-Reinforced Concrete (UHPFRC) beams is essential for understanding damage progression and improving long-term durability in advanced structural elements. This study presents a novel reference-free clustering-based algorithm that leverages high spatial resolution and higher vibrational modes obtained using a laser scanning vibrometer (LSV) during a progressive damage test on UHPFRC. In the experimental phase, the vibrational behavior of a 2-meter one-span simply-supported UHPFRC beam was measured by laser scanning vibrometry under progressively increasing damage levels. Two different reference-free damage detection methods are developed and compared. In the first method, the curvature is calculated using the central difference approximation, and a clustering-based algorithm combining LoOP outlier detection with locally weighted nonparametric regression fitting using a second-order polynomial (LOESS) is applied to construct an intact baseline directly from the damaged data. In the second method, a wavelet-based curvature formulation is introduced to overcome the noise sensitivity and boundary effects inherent in central difference schemes. Both approaches are evaluated for their ability to identify damage zone characteristics, such as position and severity, and are validated through finite element simulations where strain energy variation is used as a numerical severity index.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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