Structural Health Monitoring: A Machine Learning Perspective

ویرایش:  
نویسندگان: Charles R. Farrar,  Keith Worden(auth.)  
سری:  
ISBN (شابک) : 9781119994336, 9781118443118 
ناشر:  
سال نشر: 2012 
تعداد صفحات: 643 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 10 مگابایت 

قیمت کتاب (تومان) : 60,000

این کتاب که توسط رهبران و پیشگامان جهانی در این زمینه نوشته شده است، خواندنی ضروری برای محققان، مهندسان و اساتید دانشگاهی است که در SHM کار می‌کنند.

نظارت بر سلامت ساختاری: یادگیری ماشینی چشم اندازاولین کتاب جامع در مورد مشکل کلی پایش سلامت سازه است. نویسندگان، متخصصان مشهور در این زمینه، نظارت بر سلامت ساختاری را به شیوه‌ای جدید با طرح مسئله در چارچوب الگوی یادگیری ماشین/تشخیص الگوی آماری در نظر می‌گیرند، ابتدا پارادایم را به طور کلی توضیح می‌دهند و سپس فرآیند را با جزئیات بیشتر با بینش بیشتر توضیح می‌دهند. از طریق مطالعات عددی و تجربی نمونه‌های آزمایش آزمایشگاهی و ساختارهای درجا ارائه شده است. این پارادایم یک چارچوب جامع برای توسعه راه حل های SHM فراهم می کند.

نظارت بر سلامت ساختاری: چشم‌انداز یادگیری ماشینی از بررسی‌های دقیق نویسندگان از متون فنی، تجربیاتی که از تدریس دوره‌های متعدد در این زمینه به‌دست آورده‌اند، و نتایج اجرای آن‌ها استفاده گسترده می‌کند. مطالعات متعدد تحلیلی و تجربی پایش سلامت ساختاری.

• نظارت بر سلامت ساختاری را با طرح مسئله در چارچوب الگوی یادگیری ماشین/تشخیص الگوی آماری به شیوه‌ای جدید در نظر می‌گیرد
• بر رویکردی یکپارچه برای توسعه راه‌حل‌های پایش سلامت ساختاری با جفت کردن سخت‌افزار اندازه‌گیری تأکید می‌کند. بخشی از مشکل به طور مستقیم با الگوریتم های بازجویی داده ها
• مزایای استفاده گسترده از بررسی های دقیق نویسندگان از 800 مقاله در ادبیات فنی و تجربه ای که آنها از تدریس دوره های کوتاه متعدد در این موضوع به دست آورده اند.

محتوا:
فصل 1 مقدمه (صفحات 1-16):
فصل 2 مروری بر تاریخی (صفحات 17-43):
فصل 3 ارزیابی عملیاتی (صفحات 45-52):
فصل 4 سنجش و اکتساب داده ها (صفحات 53-85):
فصل 5 مطالعات موردی (صفحه های 87-117):
فصل 6 مقدمه ای بر احتمالات و آمار (صفحات 119-160):
فصل 7 خسارت ?ویژگی های حساس (صفحات 161-243):
ویژگی های فصل 8 بر اساس انحرافات از پاسخ خطی (صفحه های 245-294):
فصل 9 یادگیری ماشین و تشخیص الگوی آماری (صفحه های 295-320):
فصل 10 یادگیری بدون نظارت - تشخیص تازگی (صفحات 321-360):
فصل 11 یادگیری نظارت شده - طبقه بندی و رگرسیون (صفحات 361-401):
فصل 12 عادی سازی داده ها (صفحات 403-438):
فصل 13 اصول اساسی پایش سلامت ساختاری (صفحات 439-460):
فصل 14 پیش آگهی آسیب (صفحات 461-477):

Written by global leaders and pioneers in the field, this book is a must-have read for researchers,  practicing engineers and university faculty working in SHM.

Structural Health Monitoring: A Machine Learning Perspective is the first comprehensive book on the general problem of structural health monitoring. The authors, renowned experts in the field, consider structural health monitoring in a new manner by casting the problem in the context of a machine learning/statistical pattern recognition paradigm, first explaining the paradigm in general terms then explaining the process in detail with further insight provided via numerical and experimental studies of laboratory test specimens and in-situ structures. This paradigm provides a comprehensive framework for developing SHM solutions.

Structural Health Monitoring: A Machine Learning Perspective makes extensive use of the authors’ detailed surveys of the technical literature, the experience they have gained from teaching numerous courses on this subject, and the results of performing numerous analytical and experimental structural health monitoring studies.

• Considers structural health monitoring in a new manner by casting the problem in the context of a machine learning/statistical pattern recognition paradigm
• Emphasises an integrated approach to the development of structural health monitoring solutions by coupling the measurement hardware portion of the problem directly with the data interrogation algorithms
• Benefits from extensive use of the authors’ detailed surveys of 800 papers in the technical literature and the experience they have gained from teaching numerous short courses on this subject. 

Content:
Chapter 1 Introduction (pages 1–16):
Chapter 2 Historical Overview (pages 17–43):
Chapter 3 Operational Evaluation (pages 45–52):
Chapter 4 Sensing and Data Acquisition (pages 53–85):
Chapter 5 Case Studies (pages 87–117):
Chapter 6 Introduction to Probability and Statistics (pages 119–160):
Chapter 7 Damage?Sensitive Features (pages 161–243):
Chapter 8 Features Based on Deviations from Linear Response (pages 245–294):
Chapter 9 Machine Learning and Statistical Pattern Recognition (pages 295–320):
Chapter 10 Unsupervised Learning – Novelty Detection (pages 321–360):
Chapter 11 Supervised Learning – Classification and Regression (pages 361–401):
Chapter 12 Data Normalisation (pages 403–438):
Chapter 13 Fundamental Axioms of Structural Health Monitoring (pages 439–460):
Chapter 14 Damage Prognosis (pages 461–477):