Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Gerges, Michael" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Nonlinear modelling of a bridge: A case study-based damage evaluation and proposal of Structural Health Monitoring (SHM) system
    Autorzy:
    Fawad, Muhammad
    Koris, Kalman
    Salamak, Marek
    Gerges, Michael
    Bednarski, Lukasz
    Sienko, Rafal
    Powiązania:
    https://bibliotekanauki.pl/articles/2174024.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    most żelbetowy
    metoda elementów skończonych
    metoda nieniszcząca
    monitorowanie stanu konstrukcji
    pęknięcie
    czujnik
    reinforced concrete bridge
    finite element method
    non-destructive method
    structural health monitoring
    crack
    sensor
    Opis:
    Monitoring and structural health assessment are the primary requirements for performance evaluation of damaged bridges. This paper highlights the case-study of a damaged Reinforced Concrete (RC) bridge structure by considering the outcomes of destructive testing, Non-Destructive Testing (NDT) evaluations, static and 3D non-linear analysis methods. Finite element (FE) modelling of this structure is being done using the material properties extracted by the in-situ testing. Analysis is carried out to evaluate the bridge damage based on the data recorded after the static linear (AXIS VM software) and 3D non-linear analysis (ATENA 3D software). Extensive concrete cracking and high value of crack width are found to be the major problems, leading to lowering the performance of the bridge. As a solution, this paper proposes a proper Structural Health Monitoring (SHM) system, that will extend the life cycle of the bridge with minimal repair costs and reduced risk of failure. This system is based on the installation of three different types of sensors: Liquid Levelling sensors (LLS) for measurement of vertical displacement, Distributed Fiber Optic Sensors (DFOS) for crack monitoring, and Weigh in Motion (WIM) devices for monitoring of moving loads on bridge.
    Źródło:
    Archives of Civil Engineering; 2022, 68, 3; 569--584
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Implementation of digital twin and support vector machine in structural health monitoring of bridges
    Autorzy:
    Al-Hijazeen, Asseel Za'al Ode
    Fawad, Muhammad
    Gerges, Michael
    Koris, Kálmán
    Salamak, Marek
    Powiązania:
    https://bibliotekanauki.pl/articles/27312162.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    monitorowanie stanu konstrukcji
    most
    uszkodzenie
    bliźniak cyfrowy
    uczenie maszynowe
    maszyna wektorów wsparcia
    structural health monitoring
    bridge
    damage
    digital twin
    machine learning
    support vector machine
    Opis:
    Structural health monitoring (SHM) of bridges is constantly upgraded by researchers and bridge engineers as it directly deals with bridge performance and its safety over a certain time period. This article addresses some issues in the traditional SHM systems and the reason for moving towards an automated monitoring system. In order to automate the bridge assessment and monitoring process, a mechanism for the linkage of Digital Twins (DT) and Machine Learning (ML), namely the Support Vector Machine (SVM) algorithm, is discussed in detail. The basis of this mechanism lies in the collection of data from the real bridge using sensors and is providing the basis for the establishment and calibration of the digital twin. Then, data analysis and decision-making processes are to be carried out through regression-based ML algorithms. So, in this study, both ML brain and a DT model are merged to support the decision-making of the bridge management system and predict or even prevent further damage or collapse of the bridge. In this way, the SHM system cannot only be automated but calibrated from time to time to ensure the safety of the bridge against the associated damages.
    Źródło:
    Archives of Civil Engineering; 2023, 69, 3; 31--47
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies