Evaluation of liquefaction potential of soil deposits using artificial neural networks
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
Purpose In the literature, several empirical methods can be found to predict the occurrence of nonlinear soil liquefaction in soil layers. These methods are limited to the seismic conditions and the parameters used in developing the model. This paper seeks to present General Regression Neural Network (GRNN) model that addresses the collective knowledge built in simplified procedure. Design/methodology/approach The GRNN model incorporates the soil and seismic parameters of the region. It was developed in four phases; identification, collection, implementation, and verification. The data used consisted of 3,895 case records, mostly from the cone penetration test (CPT) results produced from the two major earthquakes that took place in Turkey and Taiwan in 1999. The case records were divided randomly into training, testing and validation datasets. Soil liquefaction decision in terms of seismic demand and seismic capacity is determined by the stress‐based method and strain‐based method, and further tested with the well‐known Chinese criteria. Findings The results produced by the proposed GRNN model explore effectively the complex relationship between the soil and seismic input parameters and further forecast the liquefaction potential with an overall success ratio of 94 percent. Liquefaction decisions were further validated by the SPT, confirming the viability of the SPT‐to‐CPT data conversion, which is the main limitation of most of the simplified methods. Originality/value The proposed GRNN model provides a viable tool to geotechnical engineers to predict seismic condition in sites susceptible to liquefaction. The model can be constantly updated when new data are available, which will improve its predictability.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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