Probabilistic neural network for evaluating seismic liquefaction potential
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
Simplified techniques based on in situ testing methods are commonly used to assess seismic liquefaction potential. Many of these simplified methods are based on finding the liquefaction boundary separating two categories (the occurrence or non-occurrence of liquefaction) through the analysis of liquefaction case histories. As the liquefaction classification problem is highly nonlinear in nature, it is difficult to develop a comprehensive model taking into account all the independent variables, such as the seismic and soil properties, using conventional modeling techniques. Hence, in many of the conventional methods that have been proposed, simplified assumptions have been made. In this study, a probabilistic neural network (PNN) approach based on the Bayesian classifier method is used to evaluate seismic liquefaction potential based on actual field records. Two separate analyses are performed, one based on cone penetration test data and one based on shear wave velocity data. The PNN model effectively explores the relationship between the independent and dependent variables without any assumptions about the relationship between the various variables. Through the iterative presentation of the data (the learning phase), this study serves to demonstrate that the PNN can "discover" the intrinsic relationship between the seismic and soil parameters and the liquefaction potential. Comparisons indicate that the PNN models perform far better than the conventional methods in predicting the occurrence or non-occurrence of liquefaction.Key words: cone penetration test, neural networks, prediction, probabilistic neural network, sand, seismic liquefaction, shear wave velocity.
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 | 0,000 |
| 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 | 0,001 |
| 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