MARC

 008250123s2024        us                              c    eng  d
■001000017164253
■00520250211152939
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346759430
■035    ▼a(MiAaPQ)AAI31564613
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620.11
■1001  ▼aPereira,  Mauricio.
■24510▼aPhysics-Informed  Data-Driven  Methods  for  Long-Term  Structural  Health  Monitoring  of  Concrete  Structures
■260    ▼a[Sl]▼bPrinceton  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a151  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Glisic,  Branko.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2024.
■520    ▼aConcrete  exhibits  long-term  time-dependent  behavior  due  to  rheological  effects  that  impacts  the  safety  and  serviceability  of  civil  infrastructure,  such  as  bridges  and  high-rise  buildings.  In  real  concrete  structures,  long-term  prediction  is  challenging  due  to  the  presence  of  variable  environment  conditions,  such  as  temperature,  humidity,  as  well  as  uncertainty  in  loading  and  boundary  conditions,  and  the  random  nature  of  creep  and  shrinkage.  Existing  cutting-edge  methods  for  prediction  of  long-term  time-dependent  behavior  at  structural  scale  involves  computationally  intensive  numerical  methods  in  which  several  semi-empirical  rheological  models  are  applied.  However,  these  models  are  targeted  at  structural  design  and  adjusted  based  on  experimental  data  that  may  not  be  the  most  accurate  for  an  existing  structure.  Structural  health  monitoring  can  improve  long-term  prediction  by  providing  structure-specific  in-situ  measurements.  This  dissertation  introduces  novel  methods  for  the  prediction  of  long-term  behavior  of  concrete  structures  that  integrate  structural  health  monitoring,  structural  modeling  and  analysis,  and  machine  learning.  A  new  method  proposed  integrates  probabilistic  neural  networks  and  analytical  structural  model,  together  with  generalized  creep  and  shrinkage  models,  for  the  detection  of  gradual  anomalies  in  real  structural  data  that  are  difficult  to  detect  with  existing  methods.  A  creative  integration  of  analytical  structural  modeling  and  neural  networks  is  used  for  reconstruction  of  2D  normal  strain  field  on  a  real  structure  over  multiple  years.  Finally,  a  new  method  for  the  prediction  of  long-term  behavior  in  high-rise  buildings  integrates  analytical  modeling  with  generalized  creep  and  shrinkage  models,  with  rigorous  uncertainty  quantification,  is  presented.  The  dissertation  contributes  to  the  literature  in  long-term  monitoring  of  structures  with  innovative  integration  of  structural  modeling,  and  machine  learning.
■590    ▼aSchool  code:  0181.
■650  4▼aMaterials  science
■650  4▼aEnvironmental  engineering
■653    ▼aAnomaly  detection
■653    ▼aCreep
■653    ▼aPredictive  modeling
■653    ▼aStructural  health  monitoring
■653    ▼aUncertainty  quantification
■653    ▼aShrinkage
■690    ▼a0543
■690    ▼a0794
■690    ▼a0775
■71020▼aPrinceton  University▼bCivil  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164253▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books