LEVANTAMENTO E CADASTRAMENTO DE PATOLOGIAS ESTRUTURAIS UTILIZANDO FOTOGRAFIAS TERMOGRÁFICAS E DRONES NA COMPOSIÇÃO DE BANCO GEOGRÁFICOS
Bibliographic record
Abstract
Os materiais que compõe toda estrutura sofrem processos de deterioração, sofrendo alterações em suas propriedades e no seu comportamento, podendo ocasionar a perda do desempenho estrutural face aos estados limites últimos e de serviço. Caso não seja seguido um plano de manutenção e a estrutura necessite de intervenções ou que haja restrições em seu uso, essas medidas acarretarão em prejuízos. Busca-se com esta pesquisa avaliar Obras de Artes Especiais (OAE), levantando suas manifestações patológicas com auxílio de câmeras termográficas, afim de avaliar a implementação de um plano de manutenção. Utilizou-se a metodologia GDE/UnB, método que tem como objetivo quantificar o grau de degradação de uma estrutura para a realização das inspeções e para a estruturação do banco de dados geográfico. Através do desenvolvimento das inspeções, estruturação dos dados coletados em campo e calculando o grau de deterioração da estrutura, com base na metodologia GDE/UnB, verificou-se que os viadutos inspecionadas necessitam de intervenções imediatas a fim de restaurar suas propriedades e características estruturais iniciais, devolvendo-as ao desempenho estabelecido em projeto. Em comparação com os resultados encontrados por Verly (2015), pesquisador que outrora realizou inspeções nas mesmas OAEs em tela, verificou-se, de maneira geral, um aumento no grau de degradação das estruturas. Esse indicador revela a evolução face ao tempo das anomalias já presentes em 2015, bem como o surgimento de novas. Por fim, espera-se que este trabalho colabore evidenciando a importância da utilização de mecanismos tecnológicos para o auxílio em inspeções, a importância da inspeção como forma de mitigação de manifestações patologias, busca-se também, que as análises aqui desenvolvidas sirvam para a tomada de medidas visando a recuperação das estruturas analisadas
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".