.png){kind=icon}
返回
Enhancing bridge inspection data quality using machine learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.autcon.2025.106182.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
桥梁状况评估常因检查数据中的错误而受损，限制了可靠维护和管理决策。本文探讨了如何通过自动识别和纠正结构状况的不准确评估来提升检查数据质量。提出了一种整合文本和定量特征的模型，通过缺陷描述识别缺陷和状况评级，并采用相应的动态分区策略来检测模糊数据，以及降采样和集成袋ging方法来处理类别不平衡问题。利用464座桥梁十年的真实检查数据进行验证，结果显示在纠正状况评分方面达到98%的准确率，在状况等级识别方面达到100%的准确率。这些发现强调了该方法在提升状况评估可靠性和强化桥梁管理决策方面的潜力。未来研究可聚焦于优化严重劣化结构的状况等级识别算法。
Keyword:
Bridge inspection data
Text classification
Quality control
Class imbalance
期刊
IF:
11.5
论文数:
6.3K
被引数:
4.2W
机构
引用论文
A study of the behavior of several methods for balancing machine learning training data平衡机器学习训练数据的几种方法的行为研究
.png){kind=icon}
PREAI
分享收藏分享收藏Text mining-based construction site accident classification using hybrid supervised machine learning基于文本挖掘的混合监督机器学习施工现场事故分类
PREAI
分享收藏Multi-defect modelling of bridge deterioration using truncated inspection records使用截断的检查记录对桥梁劣化进行多缺陷建模
OAAI
OAAI分享收藏
查看更多内容