Les Inscriptions à la Bibliothèque sont ouvertes en
ligne via le site: https://biblio.enp.edu.dz
Les Réinscriptions se font à :
• La Bibliothèque Annexe pour les étudiants en
2ème Année CPST
• La Bibliothèque Centrale pour les étudiants en Spécialités
A partir de cette page vous pouvez :
| Retourner au premier écran avec les recherches... |
Détail de l'auteur
Auteur Nair, K. Krishnan
Documents disponibles écrits par cet auteur
Affiner la rechercheTime Series Based Structural Damage Detection Algorithm Using Gaussian Mixtures Modeling / Nair, K. Krishnan in Transactions of the ASME . Journal of dynamic systems, measurement, and control, Vol. 129 N° 3 (Mai 2007)
in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 129 N° 3 (Mai 2007) . - 285-293 p.
Titre : Time Series Based Structural Damage Detection Algorithm Using Gaussian Mixtures Modeling Titre original : La série chronologique A basé l'algorithme structural de détection de dommages en utilisant modeler gaussien de mélanges Type de document : texte imprimé Auteurs : Nair, K. Krishnan, Auteur ; Kiremidjian, Anne S., Auteur Article en page(s) : 285-293 p. Note générale : Génie Mécanique Langues : Anglais (eng) Mots-clés : Structural health monitoring Damage diagnosis Pattern classification Gaussian mixture modelsSurveillance de santé structurale Diagnostic de dommages Classification de modèle Modèles gaussiens de mélange Index. décimale : 620.1 Essais des matériaux. Défauts des matériaux. Protection des matériaux Résumé : In this paper, a time series based detection algorithm is proposed utilizing the Gaussian Mixture Models. The two critical aspects of damage diagnosis that are investigated are detection and extent. The vibration signals obtained from the structure are modeled as autoregressive moving average (ARMA) processes. The feature vector used consists of the first three autoregressive coefficients obtained from the modeling of the vibration signals. Damage is detected by observing a migration of the extracted AR coefficients with damage. A Gaussian Mixture Model (GMM) is used to model the feature vector. Damage is detected using the gap statistic, which ascertains the optimal number of mixtures in a particular dataset. The Mahalanobis distance between the mixture in question and the baseline (undamaged) mixture is a good indicator of damage extent. Application cases from the ASCE Benchmark Structure simulated data have been used to test the efficacy of the algorithm. This approach provides a useful framework for data fusion, where different measurements such as strains, temperature, and humidity could be used for a more robust damage decision.
En cet article, on propose une série chronologique basée algorithme de détection utilisant les modèles gaussiens de mélange. Les deux aspects critiques du diagnostic de dommages qui sont étudiés sont détection et ampleur. Les signaux de vibration obtenus à partir de la structure sont modelés en tant que processus auto-régressifs de la moyenne mobile (ARMA). Le vecteur de dispositif utilisé comprend les trois premiers coefficients auto-régressifs obtenus à partir de modeler des signaux de vibration. Des dommages sont détectés en observant une migration des coefficients extraits d'AR avec des dommages. Un modèle gaussien de mélange (GMM) est employé pour modeler le vecteur de dispositif. Des dommages sont détectés employer la statistique d'espace, qui établit le nombre optimal de mélanges dans un ensemble de données particulier. La distance de Mahalanobis entre le mélange en question et le mélange (intact) de ligne de base est un bon indicateur de l'ampleur de dommages. Des cas d'application des données simulées par structure de repère d'ASCE ont été employés pour examiner l'efficacité de l'algorithme. Cette approche fournit un cadre utile pour la fusion de données, où différentes mesures telles que des contraintes, la température, et l'humidité pourraient être employées pour une décision plus robuste de dommages.DEWEY : 629.8 ISSN : 0022-0434 RAMEAU : Vibrations En ligne : kknair@stanford.edu, ask@stanford.edu [article] Time Series Based Structural Damage Detection Algorithm Using Gaussian Mixtures Modeling = La série chronologique A basé l'algorithme structural de détection de dommages en utilisant modeler gaussien de mélanges [texte imprimé] / Nair, K. Krishnan, Auteur ; Kiremidjian, Anne S., Auteur . - 285-293 p.
Génie Mécanique
Langues : Anglais (eng)
in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 129 N° 3 (Mai 2007) . - 285-293 p.
Mots-clés : Structural health monitoring Damage diagnosis Pattern classification Gaussian mixture modelsSurveillance de santé structurale Diagnostic de dommages Classification de modèle Modèles gaussiens de mélange Index. décimale : 620.1 Essais des matériaux. Défauts des matériaux. Protection des matériaux Résumé : In this paper, a time series based detection algorithm is proposed utilizing the Gaussian Mixture Models. The two critical aspects of damage diagnosis that are investigated are detection and extent. The vibration signals obtained from the structure are modeled as autoregressive moving average (ARMA) processes. The feature vector used consists of the first three autoregressive coefficients obtained from the modeling of the vibration signals. Damage is detected by observing a migration of the extracted AR coefficients with damage. A Gaussian Mixture Model (GMM) is used to model the feature vector. Damage is detected using the gap statistic, which ascertains the optimal number of mixtures in a particular dataset. The Mahalanobis distance between the mixture in question and the baseline (undamaged) mixture is a good indicator of damage extent. Application cases from the ASCE Benchmark Structure simulated data have been used to test the efficacy of the algorithm. This approach provides a useful framework for data fusion, where different measurements such as strains, temperature, and humidity could be used for a more robust damage decision.
En cet article, on propose une série chronologique basée algorithme de détection utilisant les modèles gaussiens de mélange. Les deux aspects critiques du diagnostic de dommages qui sont étudiés sont détection et ampleur. Les signaux de vibration obtenus à partir de la structure sont modelés en tant que processus auto-régressifs de la moyenne mobile (ARMA). Le vecteur de dispositif utilisé comprend les trois premiers coefficients auto-régressifs obtenus à partir de modeler des signaux de vibration. Des dommages sont détectés en observant une migration des coefficients extraits d'AR avec des dommages. Un modèle gaussien de mélange (GMM) est employé pour modeler le vecteur de dispositif. Des dommages sont détectés employer la statistique d'espace, qui établit le nombre optimal de mélanges dans un ensemble de données particulier. La distance de Mahalanobis entre le mélange en question et le mélange (intact) de ligne de base est un bon indicateur de l'ampleur de dommages. Des cas d'application des données simulées par structure de repère d'ASCE ont été employés pour examiner l'efficacité de l'algorithme. Cette approche fournit un cadre utile pour la fusion de données, où différentes mesures telles que des contraintes, la température, et l'humidité pourraient être employées pour une décision plus robuste de dommages.DEWEY : 629.8 ISSN : 0022-0434 RAMEAU : Vibrations En ligne : kknair@stanford.edu, ask@stanford.edu
in Journal of structural engineering > Vol. 137 N° 10 (Octobre 2011) . - pp. 1215-1228
Titre : Use of wavelet-based damage-sensitive features for structural damage diagnosis using strong motion data Type de document : texte imprimé Auteurs : Hae Young Noh, Auteur ; Nair, K. Krishnan, Auteur ; Dimitrios G. Lignos, Auteur Année de publication : 2012 Article en page(s) : pp. 1215-1228 Note générale : Génie Civil Langues : Anglais (eng) Mots-clés : Assessment Monitoring Nonstationary processes Earthquake engineering Diagnosis Structural failures Frequency analysis Natural frequency Index. décimale : 624 Constructions du génie civil et du bâtiment. Infrastructures. Ouvrages en terres. Fondations. Tunnels. Ponts et charpentes Résumé : This paper introduces three wavelet-based damage-sensitive features (DSFs) extracted from structural responses recorded during earthquakes to diagnose structural damage. Because earthquake excitations are nonstationary, the wavelet transform, which represents data as a weighted sum of time-localized waves, is used to model the structural responses. These DSFs are defined as functions of wavelet energies at particular frequencies and specific times. The first DSF (DSF1) indicates how the wavelet energy at the original natural frequency of the structure changes as the damage progresses. The second DSF (DSF2) indicates how much the wavelet energy is spread out in time. The third DSF (DSF3) reflects how slowly the wavelet energy decays with time. The performance of these DSFs is validated using two sets of shake-table test data. The results show that as the damage extent increases, the DSF1 value decreases and the DSF2 and DSF3 values increase. Thus, these DSFs can be used to diagnose structural damage. The robustness of these DSFs to different input ground motions is also investigated using a set of simulated data.
DEWEY : 624.17 ISSN : 0733-9445 En ligne : http://ascelibrary.org/sto/resource/1/jsendh/v137/i10/p1215_s1?isAuthorized=no [article] Use of wavelet-based damage-sensitive features for structural damage diagnosis using strong motion data [texte imprimé] / Hae Young Noh, Auteur ; Nair, K. Krishnan, Auteur ; Dimitrios G. Lignos, Auteur . - 2012 . - pp. 1215-1228.
Génie Civil
Langues : Anglais (eng)
in Journal of structural engineering > Vol. 137 N° 10 (Octobre 2011) . - pp. 1215-1228
Mots-clés : Assessment Monitoring Nonstationary processes Earthquake engineering Diagnosis Structural failures Frequency analysis Natural frequency Index. décimale : 624 Constructions du génie civil et du bâtiment. Infrastructures. Ouvrages en terres. Fondations. Tunnels. Ponts et charpentes Résumé : This paper introduces three wavelet-based damage-sensitive features (DSFs) extracted from structural responses recorded during earthquakes to diagnose structural damage. Because earthquake excitations are nonstationary, the wavelet transform, which represents data as a weighted sum of time-localized waves, is used to model the structural responses. These DSFs are defined as functions of wavelet energies at particular frequencies and specific times. The first DSF (DSF1) indicates how the wavelet energy at the original natural frequency of the structure changes as the damage progresses. The second DSF (DSF2) indicates how much the wavelet energy is spread out in time. The third DSF (DSF3) reflects how slowly the wavelet energy decays with time. The performance of these DSFs is validated using two sets of shake-table test data. The results show that as the damage extent increases, the DSF1 value decreases and the DSF2 and DSF3 values increase. Thus, these DSFs can be used to diagnose structural damage. The robustness of these DSFs to different input ground motions is also investigated using a set of simulated data.
DEWEY : 624.17 ISSN : 0733-9445 En ligne : http://ascelibrary.org/sto/resource/1/jsendh/v137/i10/p1215_s1?isAuthorized=no
