41 lines
2.0 KiB
TeX
41 lines
2.0 KiB
TeX
2 %Nomor
|
|
|
|
%for mult rows
|
|
|
|
& %Judul Jurnal
|
|
Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks \href{https://doi.org/10.1016/j.jsv.2016.10.043}{10.1016/j.jsv.
|
|
2016.10.043}
|
|
|
|
%for mult rows
|
|
|
|
% & %Author
|
|
% % Satish B Satpal; Yogesh Khandare; Anirban Guha; Sauvik Banerjee
|
|
|
|
% %for mult rows
|
|
|
|
% & %Nama Jurnal
|
|
% International Journal of Advanced Structural Engineering (IJASE)
|
|
|
|
% %for mult rows
|
|
|
|
% & %Sumber
|
|
% \href{http://dx.doi.org/10.1186/2008-6695-5-2}{ResearchGate}
|
|
|
|
% %for mult rows
|
|
|
|
% & %Tahun
|
|
% 2020
|
|
|
|
% %for mult rows
|
|
|
|
& %Tujuan penelitian
|
|
Mengidentifikasi lokasi kerusakan struktur secara \textit{real-time} dengan memproses sinyal getaran mentah yang diambil dari jaringan-jaringan akselerometer pada setiap titik tanpa proses tambahan atau ekstraksi fitur.
|
|
|
|
& %Kesimpulan
|
|
% Studi ini menilai kemampuan mesin vektor pendukung untuk memprediksi intensitas kerusakan dan lokasi pada balok kantilever. Meskipun berhasil memprediksi kerusakan dengan sedikit kesalahan, tingkat kebisingan dan lokasi kerusakan memengaruhi keakuratan. Tingkat kebisingan yang tinggi mempengaruhi kinerja secara signifikan, terutama pada intensitas kerusakan yang lebih rendah.
|
|
& % Gap Research
|
|
\begin{enumerate}
|
|
\item Riset ini hanya dilakukan dengan \textit{full-grid array} akselerometer yang diletakkan pada setiap \textit{node} kerusakan, sehingga memerlukan banyak perangkat akselerometer.
|
|
|
|
\item Tidak ada komparasi performa efisiensi dan akurasi dengan algoritma pembelajaran mesin lain yang lebih populer sebelumnya.
|
|
\end{enumerate} |