Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
ERKENNUNG DES STRASSENZUSTANDS DURCH EIN VERTEILTES OPTISCHES FASERSYSTEM
Ein faseroptisches Sensorkabel, das sich entlang einer Seite einer befestigten Straße befindet und parallel zur Fahrtrichtung verläuft, wird durch verteilte faseroptische Sensorik (DFOS) unter Verwendung von Rayleigh-Rückstreuung überwacht, die entlang der Länge des optischen Sensor-Faserkabels unter dynamischen Fahrzeuglasten erzeugt wird. Die Interaktion von Fahrzeugen mit Fahrbahnen, die einen beschädigten Belag aufweisen, erzeugt eindeutige Muster lokalisierter Signale, die von Signalen identifiziert/unterschieden werden, die von Fahrzeugen stammen, die auf Fahrbahnen mit glattem Belag fahren. Methoden des maschinellen Lernens werden eingesetzt, um die Gesamtqualität der Fahrbahnoberfläche zu schätzen und Fahrbahnschäden zu lokalisieren. Zur Entwicklung der maschinellen Lernmodelle werden Leistungsspektraldichte-Schätzung, Hauptkomponentenanalyse, Support Vector Machine (SVM) in Kombination mit der Hauptkomponentenanalyse (PCA), Local Binary Pattern (LBP) und Convolutional Neural Network (CNN) eingesetzt.
A fiber optic sensing cable located along a side of a paved road and runs parallel to a driving direction is monitored by distributed fiber optic sensing (DFOS) using Rayleigh backscattering generated along the length of the optical sensor fiber cable under dynamic vehicle loads. The interaction of vehicles with roadway locations exhibiting distressed pavement generates unique patterns of localized signals that are identified/distinguished from signals resulting from vehicles operating on roadway exhibiting a smooth pavement surface. Machine learning methods are employed to estimate an overall road surface quality as well as localizing pavement damage. Power spectral density estimation, principal component analysis, support vector machine (SVM) combined with principal component analysis (PCA), local binary pattern (LBP), and convolutional neural network (CNN) are applied to develop the machine learning models.
ERKENNUNG DES STRASSENZUSTANDS DURCH EIN VERTEILTES OPTISCHES FASERSYSTEM
Ein faseroptisches Sensorkabel, das sich entlang einer Seite einer befestigten Straße befindet und parallel zur Fahrtrichtung verläuft, wird durch verteilte faseroptische Sensorik (DFOS) unter Verwendung von Rayleigh-Rückstreuung überwacht, die entlang der Länge des optischen Sensor-Faserkabels unter dynamischen Fahrzeuglasten erzeugt wird. Die Interaktion von Fahrzeugen mit Fahrbahnen, die einen beschädigten Belag aufweisen, erzeugt eindeutige Muster lokalisierter Signale, die von Signalen identifiziert/unterschieden werden, die von Fahrzeugen stammen, die auf Fahrbahnen mit glattem Belag fahren. Methoden des maschinellen Lernens werden eingesetzt, um die Gesamtqualität der Fahrbahnoberfläche zu schätzen und Fahrbahnschäden zu lokalisieren. Zur Entwicklung der maschinellen Lernmodelle werden Leistungsspektraldichte-Schätzung, Hauptkomponentenanalyse, Support Vector Machine (SVM) in Kombination mit der Hauptkomponentenanalyse (PCA), Local Binary Pattern (LBP) und Convolutional Neural Network (CNN) eingesetzt.
A fiber optic sensing cable located along a side of a paved road and runs parallel to a driving direction is monitored by distributed fiber optic sensing (DFOS) using Rayleigh backscattering generated along the length of the optical sensor fiber cable under dynamic vehicle loads. The interaction of vehicles with roadway locations exhibiting distressed pavement generates unique patterns of localized signals that are identified/distinguished from signals resulting from vehicles operating on roadway exhibiting a smooth pavement surface. Machine learning methods are employed to estimate an overall road surface quality as well as localizing pavement damage. Power spectral density estimation, principal component analysis, support vector machine (SVM) combined with principal component analysis (PCA), local binary pattern (LBP), and convolutional neural network (CNN) are applied to develop the machine learning models.
ERKENNUNG DES STRASSENZUSTANDS DURCH EIN VERTEILTES OPTISCHES FASERSYSTEM
CHEN YUHENG (Autor:in) / HUANG MING-FANG (Autor:in) / WANG TING (Autor:in) / ZHAO JINGNAN (Autor:in)
19.09.2024
Patent
Elektronische Ressource
Deutsch
IPC:
G01D
MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE
,
Anzeigen oder Aufzeichnen in Verbindung mit Messen allgemein
/
B60W
CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION
,
Gemeinsame Steuerung oder Regelung von Fahrzeug-Unteraggregaten verschiedenen Typs oder verschiedener Funktion
/
E01C
Bau von Straßen, Sportplätzen oder dgl., Decken dafür
,
CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE
/
G01H
MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
,
Messen von mechanischen Schwingungen oder Ultraschall-, Schall- oder Infraschallwellen
/
G06N
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
,
Rechnersysteme, basierend auf spezifischen Rechenmodellen
Tema Archiv | 2005
VERTEILTES STEUERUNGSSYSTEM FÜR SERVOGESTEUERTEN TÜRANTRIEB
| Europäisches Patentamt | 2022
VERTEILTES STEUERUNGSSYSTEM FÜR SERVOGESTEUERTEN TÜRANTRIEB
| Europäisches Patentamt | 2023
VERTEILTES STEUERUNGSSYSTEM FÜR SERVOGESTEUERTEN TÜRANTRIEB
| Europäisches Patentamt | 2023