XiaoMi-AI文件搜索系统
World File Search SystemSHM
基于压电换能器的结构健康监测在飞机中的应用
摘要：结构健康监测 (SHM) 正被航空航天业广泛采用，作为一种提高飞机结构安全性和可靠性并降低运营成本的方法。飞机结构上的内置传感器网络可以提供有关结构状况、损坏状态和/或服务环境的重要信息。在用于 SHM 的各种类型的换能器中，压电材料被广泛使用，因为它们可以利用压电效应用作执行器或传感器，反之亦然。本文简要概述了过去二十年来为飞机应用开发的基于压电换能器的 SHM 系统技术。然后介绍了结构健康监测系统在飞机应用中的实际实施和使用要求。讨论了解决一些实际问题的最新技术，例如传感器网络集成、大型结构的可扩展性、环境条件的可靠性和影响、稳健的损伤检测和量化。还讨论了 SHM 技术的发展趋势。
桥梁结构健康监测的人工智能方法和新技术的最新进展
摘要：随着人口、汽车和城市的不断增长，城市管理面临的挑战也日益严峻。因此，让城市变得更智能是解决城市问题最有效的方法之一。当今“智能城市”的一个主要特点是它们在基础设施和服务中使用尖端技术。通过战略规划，智能城市可以最有效地利用其资源。通过减少开支和增强基础设施，智能城市可以为居民提供更多更好的服务。结构健康监测 (SHM) 是这些对城市管理非常有用的重要城市服务之一。通过将物联网 (IoT) 等领先的新技术与结构健康监测相结合，重要的城市基础设施可以使用寿命更长、运行更好。因此，有必要对基础设施 SHM 的最新进展进行彻底研究。桥梁是城市基础设施中最重要的部分之一，桥梁的建设、开发和适当的维护是管理城市最重要的方面之一。本研究的主要目标是研究如何使用人工智能 (AI) 和一些技术（如无人机技术和 3D 打印机）来改善桥梁 SHM 系统的现状，包括概念框架、优点和问题以及现有方法。本研究概述了人工智能和其他技术在未来桥梁 SHM 系统中将发挥的作用。本研究还重点介绍了、解释和讨论了一些新颖的技术辅助研究机会。
四边形图 - 海军 STP
SYSCOM：NAVAIR 赞助计划：PMA-275 过渡目标：V-22 Osprey TPOC：(301)757-2031 其他过渡机会：系统可以集成到任何配备 SHM 传感器和电源系统的海军/海军陆战队、陆军和空军旋翼机平台中。具体计划包括 CH-53 直升机计划 (PMA-261)、H-60 多任务直升机计划办公室 (PMA-299)、V-22 计划办公室 (PMA-275)、战斧武器系统 (PMA-280) 和在役航空母舰计划办公室 (PMS-312) 注：Redondo Optics, Inc. (ROI) 的业务模式是将 SBIR 技术从第一阶段计划开始过渡到商业领域，并逐步提高 TRL 级别以过渡到主承包商和海军行动。 ROI 已开始向需要动态 SHM 损伤检测和定位系统的关键客户销售混合 FAULSense SHM 系统，这些客户涉及航空航天、航空、能源工厂、汽车、运输和旋翼机等不同市场。
铝板中结构性损害诊断的物理知识的机器学习
结构性健康监测（SHM）是一种监视策略，它依赖于感兴趣的结构或组件上的传感器网络允许其连续监视，从而大大减少了两次连续检查之间的时间。在SHM框架中使用的几种非破坏性技术（NDT），超声引导的波，尤其是羔羊波中，事实证明，通过利用压电（PZT）传感器网络以使波浪启动和感受效率有效。专注于羔羊波，它们已被广泛用于成像和断层扫描方法[5] [6] [7]。但是，这些方法需要从信号中提取特征才能获得损坏索引（DIS）[1] [8] [9]。同样，由于有必要实时或实时的性能以实现SHM的目的，因此正在应用机器学习（ML）算法。但是，常规的ML方法通常是监督方法，并且不能解决对从信号提取损害特征的预处理阶段的需求[10] [11] [12]。
wp-genai-suoldus-suger-discovery-nvidia-bionemo.pdf
# Setting ngc config $ ngc config set # Downloading approrpriate model $ python download_models.py --download_dir /workspace/bionemo/models megamolbart # Starting the container with bionemo image $ docker run -d -p :6006:6006 -p :8888:8888 --mount type = bind，source =/dev/shm，目标=/dev/shm -v/biotest/data：/data -v/biotest/result/result/result：/result -It -gpus -gpus ash aul nvcr.io/nvidia/clara/clara/bionemo-frame工作：1.4.1 bash
使用现代传感器技术进行结构健康监测
传感器、数据采集和通信、信号分析和数据处理等领域技术的快速发展为 SHM 带来了巨大的好处。SHM 通常提供有关结构真实状况的可靠数据。桥梁、风电场、核电站、岩土结构、历史建筑和纪念碑、水坝、海上平台、管道、海洋结构、飞机、涡轮叶片等。可能是监测对象，仅举几例。监测可以是定期的或连续的、短期的或长期的、局部的或全局的，并且监测系统可以由几个传感器组成，多达数百个甚至数千个，具体取决于监测对象的要求。由于该主题的领域很多，本文主要从土木工程的角度提出和讨论该主题。
桥梁结构损伤检测：一种边缘计算...
与传统的有线 SHM 系统相比，基于无线传感器网络 (WSN) 的 SHM 系统在成本、准确性和监测可靠性方面有显著改善。然而，由于传感器节点的资源受限，实时处理大量感测到的振动数据是一项挑战。现有的数据处理机制是集中式的，使用云或远程服务器来分析数据以表征桥梁的状态，即健康或受损。这些方法对于有线 SHM 系统是可行的，然而，在 WSN 中传输大量数据集已被发现是艰巨的。在本文中，我们提出了一种名为“网络内边缘损伤检测 (INDDE)”的机制，该机制从原始加速度测量中提取与桥梁健康状况相对应的统计特征，并使用它们来训练概率模型，即估计多元高斯分布的概率密度函数 (PDF)。训练后的模型有助于实时识别从桥梁未知状况中收集的新数据点的异常行为。每个边缘设备根据其各自的训练模型将桥梁状况分类为部署区域周围的“健康”或“受损”。实验结果展示了约 96-100% 的损伤检测准确率，其优势是无需从传感器节点传输数据到云端进行处理。
用于钢筋混凝土桥梁结构健康监测的智能设计人工智能
摘要：随着在线传感技术和高性能计算的最新进展，结构健康监测 (SHM) 已开始成为对民用基础设施进行实时条件监测的自动化方法。理想的 SHM 策略通过利用测量的响应数据来更新基于物理的有限元模型 (FEM) 来检测和描述损坏。在监测复合结构（例如钢筋混凝土 (RC) 桥梁）时，基于 FEM 的 SHM 的可靠性会受到材料、边界、几何和其他模型不确定性的不利影响。土木工程研究人员已经采用了流行的人工智能 (AI) 技术来克服这些限制，因为 AI 具有利用先进的机器学习技术快速分析实验数据来解决复杂和定义不明确的问题的天生能力。在这方面，本研究采用了一种新颖的贝叶斯估计技术来更新耦合的车辆桥梁 FEM 以用于 SHM。与现有的基于 AI 的技术不同，所提出的方法智能地使用嵌入式 FEM 模型，从而减少了参数空间，同时通过基于物理的原理指导贝叶斯模型。为了验证该方法，给定一组“真实”参数，从车桥 FEM 生成桥梁响应数据，并分析参数估计的偏差和标准差。此外，平均参数估计值用于求解 FEM 模型，并将结果与“真实”参数值的结果进行比较。还进行了敏感性研究，以展示正确制定模型空间以改进贝叶斯估计程序的方法。研究最后进行了讨论，重点介绍了利用实验数据使用人工智能技术更新混凝土结构 FEM 时需要考虑的因素。关键词：人工智能、贝叶斯统计、结构健康监测、钢筋混凝土、公路桥梁、车桥相互作用。
加州大学圣地亚哥分校 - eScholarship
摘要。由于民用基础设施的老化及其相关的经济影响，越来越需要持续监测结构和非结构部件，以进行系统生命周期管理，包括维护优先级排序。对于复杂的基础设施，此监控过程涉及以不同时间尺度和分辨率收集的不同类型的数据源，包括但不限于从人工检查中抽象出的评级数据、历史故障记录数据、不确定成本数据、高保真物理模拟数据和在线高分辨率结构健康监测 (SHM) 数据。数据源的异质性对实施用于维护等生命周期行动决策的诊断/预测框架提出了挑战。以人字门的角块组件为例，本章介绍了一个整体的贝叶斯数据分析和机器学习 (ML) 框架，以演示如何使用贝叶斯和 ML 方法集成各种数据源，以实现有效的 SHM 以及预测和健康管理 (PHM)。具体而言，本章讨论了如何将贝叶斯数据分析和 ML 方法应用于 (1) 角块轴承失接触退化的诊断；(2) 优化门上 SHM 的传感器位置；(3) 融合各种数据源以实现有效的 PHM；(4) 通过考虑不确定性下人类决策的行为方面来决定维护策略。