Lessons Learnt From the 2009 Padang Indonesia, 2011 Tōhoku Japan and 2016 Muisne Ecuador Earthquakes
Notice bibliographique
Résumé
This paper presents the observations during EEFIT’s post-earthquake reconnaissance missions to the September 20, 2009 Padang (Mw7.6), March 11, 2011 Tōhoku (Mw9.0) and April 16, 2016 Muisne (Mw7.8) earthquakes. The performance of buildings and geotechnical structures within the affected regions were investigated to gain insights on their design and construction deficiencies. Findings on these damage observed are compared along with the characteristics of the earthquake and nature of building codes in these countries. They include building damage caused by resonance, deficiencies in reinforcement detailing, vulnerability to soft storey collapse, ground settlement, soil liquefaction and landslides. It was demonstrated that buildings which were severely damaged had natural building frequencies coinciding with the dominant frequencies of the ground shaking. The locations of damage of several such buildings showed insufficient confining reinforcements and lapping of stirrup links. Soft storey collapses were also observed in the three earthquakes, although many were attributed to old building codes that were less effective. In areas affected by the Muisne earthquake, soft storey collapses were mainly found at mid height of the building rather than at the ground floor as observed in the Padang and Tōhoku earthquakes, likely due to extension of building long after the bottom floors were completed. In the aspect of geotechnical failure, foundations of buildings found on piles performed reasonably well, except for areas affected by soil liquefaction. Landslides occurred following these earthquakes led to large concentration of casualties and property losses, motivating the EEFIT teams to invest efforts in hazard mapping and ground-truthing exercises using satellite images at Padang and Muisne earthquakes respectively. Such geospatial tools applied in these three earthquakes were reviewed and demonstrated to be capable of identifying landslide sites and producing reliable landslide hazard map.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».