Key points are not available for this paper at this time.
구조 건강 모니터링(SHM)은 공학 구조물의 안전성, 신뢰성 및 서비스 수명을 보장하는 데 중요한 역할을 합니다. 스마트 구조에서는 기계적 및 열적 자극을 전기적 또는 광학 신호로 변환하고 지속적인 상태 평가를 위한 기본 인터페이스 역할을 하는 능동 응답 재료(예: 압전 필름, 자기 변형 패치 또는 광섬유 케이블)의 네트워크가 포함됩니다. 지속적인 도전 과제는 특히 온도 변화와 같은 환경 및 운영 변동성(EOV)의 영향으로, 이는 센서 측정을 왜곡하고 구조 손상의 실제 지표를 흐리게 하거나 모방할 수 있습니다. 다양한 센싱 플랫폼에서 이 문제를 해결하기 위해 많은 방법론이 제안되었지만, 방법론적 범주 간의 포괄적인 비교 평가가 부족합니다. 이 검토에서는 EOV 완화를 위해 개발된 3가지 주요 접근 방식을 비판적으로 검토합니다: 직접 기준선 보상, 적응형 및 다중 기준선 전략, 최신 전이 학습 및 하이브리드 물리 기반 기계 학습 프레임워크를 포함한 참조 없는 기술. Scopus, Web of Science, IEEE Xplore 및 ScienceDirect에 걸쳐 구조화된 문헌 검색이 분석을 뒷받침합니다. 각 접근 방식은 체계적으로 평가되어 주요 이점, 한계 및 다양한 운영 시나리오에 대한 적합성을 강조합니다. 또한, 새로운 경향, 격차 및 미래 연구 방향이 확인되어 하이브리드 모델, 실시간 참조 없는 방법론, 견고한 불확실성 정량화 및 확장 가능한 인구 기반 SHM 솔루션의 필요성을 강조합니다. 본 통합물은 센싱 방식에 관계없이 차세대 스마트 적응형 SHM 시스템 설계를 알리는 것을 목표로 하며, 복잡한 현실 환경 조건에서 운영되는 지능형 구조물에 원활하게 통합되도록 합니다.
Rezazadeh 외 (Tue,)는 이 질문을 연구했습니다.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: