Development of fragility functions as a damage classification/prediction method for steel moment‐resisting frames using a wavelet‐based damage sensitive feature
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
SUMMARY Fragility functions are commonly used in performance‐based earthquake engineering for predicting the damage state of a structure subjected to an earthquake. This process often involves estimating the structural damage as a function of structural response, such as the story drift ratio and the peak floor absolute acceleration. In this paper, a new framework is proposed to develop fragility functions to be used as a damage classification/prediction method for steel structures based on a wavelet‐based damage sensitive feature ( DSF ). DSF s are often used in structural health monitoring as an indicator of the damage state of the structure, and they are easily estimated from recorded structural responses. The proposed framework for damage classification of steel structures subjected to earthquakes is demonstrated and validated with a set of numerically simulated data for a four‐story steel moment‐resisting frame designed based on current seismic provisions. It is shown that the damage state of the frame is predicted with less variance using the fragility functions derived from the wavelet‐based DSF than it is with fragility functions derived from an alternate acceleration‐based measure, the spectral acceleration at the first mode period of the structure. Therefore, the fragility functions derived from the wavelet‐based DSF can be used as a probabilistic damage classification model in the field of structural health monitoring and an alternative damage prediction model in the field of performance‐based earthquake engineering. Copyright © 2011 John Wiley & Sons, Ltd.
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