Seismic Demand Estimation of Inelastic SDOF Systems for Earthquakes in Japan
Notice bibliographique
Résumé
An accurate estimation of the maximum inelastic displacement of a structure under seismic excitations is essential to quantitative seismic risk assessment. The seismic performance of existing structures can be evaluated by utilizing inelastic single-degree-of-freedom (SDOF) systems and carrying out nonlinear dynamic analysis. This article develops a probabilistic model of the peak ductility demand of inelastic SDOF systems with various hysteretic characteristics using comprehensive sets of strong ground-motion records observed in Japan. The use of a large database facilitates the systematic investigation of the effects of earthquake type, record selection criteria, seismological parameters, and seismic region on the inelastic seismic demand. Nonlinear dynamic analysis of inelastic SDOF systems is carried out for statistical analysis and probabilistic modeling of the peak inelastic seismic demand. Analysis results indicate that the inelastic seismic demand depends on earthquake type, selection criteria, and seismological parameters to some degree. The most notable differences in inelastic seismic demands are observed for interface records at short vibration periods in comparison with crustal and inslab records; the differences can be explained by different response spectral shapes of the datasets. The inelastic seismic demand for the California crustal records is greater than that for the Japanese crustal records at short vibration periods, whereas the demands are comparable at long vibration periods. The peak ductility demand can be modeled as a Frechet variate, and empirical equations for calculating its statistics are developed, which achieve simplicity and sufficiency in probabilistic seismic risk analysis.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».