Neural network approach to model the limit state surface for reliability analysis
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
Structural reliability methods are often used to evaluate the failure performance of geotechnical structures. A common approach is to use the first-order reliability method. Its popularity results from the mathematical simplicity of the method, since only second moment information (mean and coefficient of variation) on the random variables is required. The probability of failure is then assessed by an index known commonly as the reliability index. One critical aspect in determining the reliability index is the explicit definition of the limit state surface of the system. In a problem involving multi-dimensional random variables, the limit state surface is the boundary separating the safe domain from the "failure" (or lack of serviceability) domain. In many complicated and nonlinear problems where the analyses involve the use of numerical procedures such as the finite element method, this surface may be difficult to determine explicitly in terms of the random variables, and therefore the limit state can only be expressed implicitly rather than in a closed-form solution. It is proposed in this paper to use an artificial intelligence technique known as the back-propagation neural network algorithm to model the limit state surface. First, the failure domain is found through repeated point-by-point numerical analyses with different input values. The neural network is then trained on this set of data. Using the optimal weights of the neural network connections, it is possible to develop a mathematical expression relating the input and output variables that approximates the limit state surface. Some examples are given to illustrate the application and accuracy of the proposed approach.Key words: first-order reliability method, geotechnical structures, limit state surface, neural networks, reliability.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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