Neural Network Based Attenuation of Strong Motion Peaks in Europe
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Artificial Neural Network (ANN) is used in this article to develop attenuation relationships for three peak ground motion parameters, namely, peak ground acceleration (PGA), peak ground velocity (PGV), and peak ground displacement (PGD). This article demonstrates the capability of ANN to capture the key physical aspects of seismic wave attenuation and region specific earthquake characteristics. Limited strong ground motion data and no particular functional form except for few constraints are used in the development of ANN based attenuation relationships. The database consists of 358 records (2 horizontal components of ground acceleration at each station) from 42 European shallow earthquakes. The surface magnitude (Ms), distance of site from surface projection of the rupture (R), and broad categories of soil type (soft soil, stiff soil, and rock formation) are the three input parameters. The Ms ranges from 5.5–7.9 and R ranges from 3 – 260 Km. The model is trained using 75% (134 data points) of the total data, while the remaining 25% (45 data points) of the total data is used to test the performance of the trained neural network models. The ANN is able to derive attenuation relationships which are consistent with the theory of ground motion attenuation phenomena. ANN can, therefore, be used as an alternative method to conventional regression techniques for developing attenuation relations, particularly for regions where limited earthquake data is available.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle