MétaCan
Menu
Retour à la cohorte
Enregistrement W2185909196 · doi:10.18057/ijasc.2013.9.1.6

SYSTEM RELIABILITY ASSESSMENT OF 3D STEEL FRAMES DESIGNED PER AISC LRFD SPECIFICATIONS

2013· book-chapter· en· W2185909196 sur OpenAlexafffund
S. Zhang, Wenxing Zhou

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomaineDecision Sciences
ThématiqueProbabilistic and Robust Engineering Design
Établissements canadiensWestern University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésReliability (semiconductor)Structural engineeringStructural loadFrame (networking)Limit state designEngineeringSteel frameFirst-order reliability methodMathematicsStatisticsMonte Carlo methodMechanical engineeringPhysics

Résumé

récupéré en direct d'OpenAlex

This paper presents the system reliability analysis of a three-dimensional steel frame designed per AISC LRFD with respect to the collapse limit state under the dead and live loads.The system reliability is evaluated using the first-order reliability method (FORM)-based adaptive response surface approach.The uncertainties in the material properties, geometric properties of frame members, initial geometric imperfection of the structure, dead load and live load as well as the spatial variability of the live load are accounted for in the reliability analysis.The analysis results suggest that the system reliability of the example frame is similar to that of the planar steel frames designed per AISC LRFD and evaluated in a previous study.It is observed that the spatial variability of the live load leads to a decreased system reliability.Results of the sensitivity analysis indicate that the failure probability of the example frame increases by almost one order of magnitude if the coefficient of variation of the steel yield strength increases from 0.06 to 0.1.Furthermore, the system reliability decreases drastically if the upper bound of the magnitude of initial geometric imperfection is greater than 0.4% of the overall height of the example frame.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,120
Tête enseignante GPT0,321
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetProbabilistic and Robust Engineering DesignTravaux en français237 207