MétaCan
Menu
Retour à la cohorte
Enregistrement W2927264069 · doi:10.11159/icgre19.181

The Development of a Local Ground Motion Prediction Equation from Recorded Data

2019· article· en· W2927264069 sur OpenAlexvenueno aff
Lubna Obaid, Sama Alani, Maher Omar, Samer Barakat, Mohamed G. Arab, Moussa Leblouba, Abdallah Shanableh, Ali Tahmaz

Notice bibliographique

RevueProceedings of the World Congress on Civil, Structural, and Environmental Engineering · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueSeismic Performance and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Sharjah
Mots-clésMotion (physics)Computer scienceGround motionDevelopment (topology)Artificial intelligenceGeologyMathematicsMathematical analysisSeismology

Résumé

récupéré en direct d'OpenAlex

A representative attenuation relationship is one of the key components required in seismic hazard assessment of a region of interest.In this project, a ground-motion attenuation relationship for peak ground acceleration was developed for Sharjah, United Arab Emirates (UAE) region.Incorporated Research Institutions for Seismology (IRIS) as well as Building and Housing Research Center (BHRC) databases were utilized to collect strong ground motion of 90 horizontal component waveforms from different earthquakes measured by 440 stations in Iran and Sharjah.The collected dataset is composed from earthquakes that occurred in Iran with attenuation reaching UAE in moment magnitude varying from 4 to 7.3.The relationships derived are for distances up to 100 km, in a time period from 2008 to 2018.Attributes considered for each earthquake include earthquake date, time of occurrence, moment magnitude, depth, epicentral distance, acceleration time series, peak ground acceleration (PGA), and time shear velocity as well as event location and coordinates.A set of statistical analysis techniques was used to analyze and validate earthquake records.In this study, different attenuation relationship equations utilized for similar regions were collected from literature of previous work done in multiple countries.Based on the collected equations, new equations that are more suitable for Sharjah were developed by applying nonlinear regression analysis using Statistical Package for the Social Sciences (SPSS) statistics software and MATLAB.Accordingly, an optimum model was formulated that best suits Sharjah study area characteristics.The developed ground-motion prediction equations derived in the study can be used to predict earthquake-prone locations in UAE and other locations with similar characteristics.Additional artificial neural network (ANN) calculations were generated to verify the attenuated PGA mode in Sharjah based on Iranian attributes.

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)0,003
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: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,009
Tête enseignante GPT0,180
Écart entre enseignants0,171 · 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

Citations2
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the World Congress on Civil, Structural, and Environmental EngineeringMême sujetSeismic Performance and AnalysisTravaux en français237 207