Videos de Conceptos Relacionados
01:20Microcracking in Concrete
205
Microcracking in concrete refers to the tiny cracks that can form within the material even before any external load is applied. These microcracks typically occur at the interface between the coarse aggregate and the hydrated cement paste, often as a result of differential volume changes prompted by variations in stress-strain behavior, as well as thermal and moisture movement. Initially, these microcracks remain stable and do not grow substantially until the concrete is stressed to about 30...
205
01:28Types of Non-structural Cracks in Concrete
244
Non-structural cracks are primarily of three types: plastic, early-age thermal, and drying shrinkage cracks. Plastic cracks are further classified into plastic shrinkage cracks and plastic settlement cracks.
Plastic shrinkage cracks typically form within hours after the concrete is poured. The concrete's surface dries faster than the bottom, creating tensile stress that the still-plastic concrete cannot withstand, leading to diagonal or randomly patterned cracks on the concrete surface.
Plastic shrinkage cracks typically form within hours after the concrete is poured. The concrete's surface dries faster than the bottom, creating tensile stress that the still-plastic concrete cannot withstand, leading to diagonal or randomly patterned cracks on the concrete surface.
244
01:23Instrument Transformers
141
Instrument transformers, comprising voltage transformers (VTs) and current transformers (CTs), play crucial roles in power substations by providing isolated replicas of current or voltage for measurement and protection purposes. Voltage transformers reduce the primary voltage to levels suitable for relay operation and measurement, while current transformers scale down the primary current. The primary winding of a current transformer often consists of a single turn, achieved by threading the...
141
También podría leer
Artículos Relacionados
Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.
Ordenar por
Same author
Unified Temporal-Spectral-Spatial Modeling for Robust and Generalizable Motor Imagery Brain-Computer Interfaces.
Bioengineering (Basel, Switzerland)·2026
Same author
PatientEase-Domain-Aware RAG for Rehabilitation Instruction Simplification.
Bioengineering (Basel, Switzerland)·2025
Same author
A Generative Expert-Narrated Simplification Model for Enhancing Health Literacy Among the Older Population.
Bioengineering (Basel, Switzerland)·2025
Video Experimental Relacionado
Updated: Sep 9, 2025
04:58
Mechanoluminescent Visualization of Crack Propagation for Joint Evaluation
Published on: January 6, 2023
2.4K
Monitoreo de la infraestructura de la ciudad inteligente con un transformador de visión híbrido para la detección de
Rashid Nasimov1, Young Im Cho1
1Department of Computer Engineering, Gachon University, Sujeong-gu, Seongnam-si 13120, Republic of Korea.
Sensors (Basel, Switzerland)
|August 28, 2025
Resumen
Este estudio introduce un nuevo modelo de aprendizaje profundo para el monitoreo de la salud estructural (SHM) que detecta con precisión las micro grietas en la infraestructura. El detector de características locales de visión (ViLFD) logra un rendimiento de vanguardia en la identificación de defectos estructurales sutiles.
Área de la Ciencia:
- Ingeniería civil
- Ciencias de la computación
- Inteligencia artificial
Sus antecedentes:
- Los métodos actuales de monitoreo de la salud estructural (SHM) son ineficientes, intensivos en mano de obra y propensos a errores, especialmente para detectar micro grietas.
- Las anomalías estructurales sutiles requieren técnicas avanzadas de detección para la seguridad y la longevidad de la infraestructura.
- El aprendizaje profundo ofrece potencial para la identificación automatizada y precisa de defectos en la infraestructura urbana.
Objetivo del estudio:
- Desarrollar un nuevo marco de aprendizaje profundo para un monitoreo fiable de la salud estructural (SHM).
- Para mejorar las capacidades de detección de defectos, particularmente para anomalías sutiles como micro grietas.
- Establecer un nuevo estado de la técnica en la identificación automatizada de defectos estructurales.
Principales métodos:
- Se desarrolló una arquitectura modificada de Transformador de Detección (DETR), integrando una columna vertebral de Transformador de Visión (ViT).
- Se diseñó un módulo de extracción de características locales (LFE) para mejorar la extracción de características espaciales locales complejas.
- El modelo de detector de características locales de visión (ViLFD) fue entrenado y validado en conjuntos de datos de referencia y personalizados.
Principales resultados:
- El modelo ViLFD demostró un rendimiento superior a las variantes DETR y YOLO existentes.
- Se logró una alta precisión (95,0%), precisión (0,94), recuerdo (0,93), puntuación F1 (0,93) y mAP@0,5 (0,89).
- Defectos estructurales sutiles detectados con éxito y fiabilidad en la validación experimental.
Conclusiones:
- El marco DETR basado en ViT propuesto con el módulo LFE mejora significativamente las capacidades de SHM.
- El modelo ViLFD ofrece una solución precisa y fiable para la detección automatizada de defectos estructurales.
- Esto representa un paso importante hacia una infraestructura urbana más segura y fiable.