Notice bibliographique
Résumé
Les courbes de fragilité sont utilisées afin d’évaluer la fiabilité des structures ainsi que pour identifier les composants les plus vulnérables. Cette recherche porte sur les analyses de fragilité sismique des ponts. Deux approches principales sont utilisées : 1) une analyse basée sur les courbes de fragilité de chaque composant et 2) une analyse basée sur la courbe de fragilité du système. Ces deux approches sont démontrées par la suite pour l’évaluation de deux ponts existants situés à Montréal. Les courbes de fragilité sont développées en considérant toutes les sources d’incertitudes aléatoire et épistémique, soit : le modèle de comportement structural, les sollicitations sismiques et la résistance des composants. L’évaluation de la fragilité des ponts existants comprend un modèle de détérioration associé à la corrosion des aciers d’armature ainsi qu’une validation du modèle structural à partir des caractéristiques dynamiques obtenues des mesures du bruit ambiant. De nouvelles procédures pour la sélection optimale des sollicitations sismiques et des méthodes d’analyse probabiliste pour la résistance des composants sont présentées et illustrées pour deux cas types. Deux méthodes stochastiques sont développées et proposées pour valider le modèle en éléments finis d’un pont. La première est basée sur les tests d’hypothèses statistiques classiques tandis que la deuxième est basée sur une approche bayésienne. Les méthodes stochastiques sont également utilisées afin d’actualiser les propriétés du système, identifier les causes les plus probables de défaillance et de définir un intervalle de confiance sur le comportement structural en fonction des résultats d’essais effectués en laboratoire ou sur le terrain. Afin de réduire l’incertitude sur les sollicitations sismiques à utiliser pour l’analyse, l’approche basée sur le spectre moyen conditionnel (Conditional Mean Spectrum - CMS) est utilisée. Des analyses dynamiques par incréments (ADI) sont effectuées afin d’estimer la variabilité du comportement sismique non-linéaire en fonction des caractéristiques des sollicitations. Dans un premier temps, un modèle de fiabilité est développé sur la base des courbes de fragilité par composant. Les courbes de fragilité sont dérivées à partir des analyses ADI en fonction de divers paramètres caractérisant les sollicitations sismiques et les demandes correspondantes sur chaque composant. Une distribution probabiliste conjointe des demandes sismiques (DPCDS) est estimée afin de dériver les courbes de fragilité pour les composants ainsi que pour l’ensemble du pont (système). Un désavantage de l’approche par composant est la complexité et la quantité des analyses à effectuer lorsque le système comprend plusieurs composants. Une approche alternative basée sur l’analyse des systèmes est également proposée. Celle-ci est basée sur la théorie des Support Vector Machines (SVM), une méthode innovante d’apprentissage par simulation. Cette technique permet d’identifier les relations entre plusieurs variables à partir de l’analyse d’un grand nombre de données. Dans ce cas-ci, le SVM est utilisé afin d’établir la relation entre les mesures d’intensité des sollicitations sismiques et le comportement structural. Les courbes de fragilité sont développées par la technique de PSVM (Probabilistic Support Vector Machines). Finalement, la performance de la procédure est évaluée pour des analyses basées sur une approche multi-variable pour la caractérisation des sollicitations sismiques ainsi que sur les analyses traditionnelles à une variable.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».