Neural Network Model for Liquefaction Potential in Layered Soils Using Turkey and Taiwan Earthquake Data
Notice bibliographique
Résumé
Simplified methods have been practiced by researchers to assess nonlinear liquefaction potential of soil. Derived from several field and laboratory tests, various simplified procedures have been developed by utilizing case studies and undisturbed soil specimens. In order to address the collective knowledge built up in conventional liquefaction engineering, an alternative general regression neural network (GRNN) model is proposed in this paper. To meet this objective, a total of 620 sets of data including twelve soil and seismic parameters are introduced into the model. The data includes the results of field tests from the two major earthquakes that took place in Turkey and Taiwan in 1999 and some of the desired input parameters are obtained from correlations existing in the literature. The proposed GRNN model was developed in four phases, mainly: identification phase, collection phase, implementation phase, and verification phase. An iterative procedure was followed to maximize the accuracy of the proposed model. The case records were divided randomly into testing, training, and validation datasets. Generating a model that takes into account of twelve soil and seismic parameters is not feasible by using simplified techniques; however, the proposed GRNN model effectively explored the complex relationship between the introduced soil and seismic input parameters and validated the liquefaction decision obtained by simplified methods. The proposed GRNN model predicted well the occurrence/nonoccurrence of soil liquefaction in these sites. The model provides a viable tool to geotechnical engineers in assessing seismic condition in sites susceptible to liquefaction.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».