MARC

 008260126s2021        us                              c    eng  d
■001000017360492
■00520260202105536
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263389741
■035    ▼a(MiAaPQ)AAI32314715
■035    ▼a(MiAaPQ)GeorgiaTech70017
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aXie,  Zhenhua.
■24510▼aInformation  Extraction  and  Data  Fusion  for  Nondestructive  Evaluation  of  Concrete  Bridge  Decks
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2021
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2021
■300    ▼a117  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2021.
■520    ▼aThe  infrastructure  management  agencies  dedicate  a  sizable  portion  of  their  construction  budget,  in  excess  of  $2  billion  annually,  to  maintain  and  rehabilitate  concrete  bridge  decks.  Two  widely  adopted  nondestructive  evaluation  methods-impact  echo  (IE)  and  ground  penetrating  radar  (GRP)-have  been  recognized  as  effective  investigation  tool  for  evaluating  reinforced  concrete  (RC)  bridge  decks.  This  dissertation  attempts  to  improve  and  extend  the  application  of  these  two  methods  in  the  field  of  concrete  condition  evaluation.  At  the  beginning,  it  introduces  the  background  and  motivation  of  this  dissertation.  It  reviews  the  literature  on  IE  and  GPR  and  identifies  a  few  research  gaps.  To  bridge  these  gaps,  it  further  lays  out  several  relevant  research  questions  and  address  these  questions  in  three  chapters  respectively.  Chapter  II  proposes  an  ensemble  empirical  mode  decomposition  (EEMD)  approach  to  decompose  the  IE  testing  data  into  different  spectral  composition  for  defect  signal  extraction.  The  EEMD  approach  overcomes  the  challenge  of  extracting  reflected  P-wave  from  the  impact-echo  signal  that  may  contain  strong  surface  wave.  The  results  show  that  the  high  frequency  resonance  mode  is  easier  to  be  extracted  than  the  low  frequency  resonance  mode  from  the  IE  signal.  To  realize  direct  visualization  of  internal  defects  of  concrete  structures  for  nondestructive  evaluation,  Chapter  III  develops  an  automated  data  fusion  and  visualization  process  based  on  impact-echo  testing  with  source-receiver  arrays.  Both  the  simulation  and  experimental  results  demonstrate  that  the  automated  data  fusion  and  visualization  process  can  effectively  extract  delamination  regions  from  the  impact-echo  test  data.  Chapter  IV  adopts  the  \uD835\uDC53-\uD835\uDC65  variational  mode  decomposition  (VMD)  method  to  remove  the  direct  wave  clutter  of  GPR  Data  from  RC  bridge  decks.  The  \uD835\uDC53-\uD835\uDC65  VMD  method  can  effectively  remove  the  stripe-like  interference  waves,  which  are  the  main  problem  hindering  the  discrimination  of  the  target  of  interest.  As  a  result,  this  method  can  separate  the  useful  rebar  reflection  signal  from  direct  wave  event.  It  also  compares  the  performance  of  \uD835\uDC53-\uD835\uDC65  VMD  method  with  two  other  approaches,  including  average  background  subtraction  and  F-K  filter  with  dip  relaxation.  The  superiority  and  effectiveness  of  proposed  method  is  demonstrated  in  simulation,  experiment,  and  field  test  environments  over  the  other  two  methods.
■590    ▼aSchool  code:  0078.
■650  4▼aReceivers  &  amplifiers
■650  4▼aSoftware
■650  4▼aWavelet  transforms
■650  4▼aDefects
■650  4▼aInvestigations
■650  4▼aFourier  transforms
■650  4▼aConcrete
■650  4▼aConcrete  slabs
■650  4▼aNondestructive  testing
■650  4▼aSpectrum  allocation
■650  4▼aSeismic  engineering
■650  4▼aReinforced  concrete
■650  4▼aRadar
■650  4▼aVisualization
■650  4▼aCorrosion
■650  4▼aElectrical  engineering
■650  4▼aIndustrial  engineering
■650  4▼aMathematics
■650  4▼aOptics
■650  4▼aElectromagnetics
■690    ▼a0544
■690    ▼a0546
■690    ▼a0405
■690    ▼a0752
■690    ▼a0607
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2021
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360492▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books