Pre‐ and post‐earthquake regional loss assessment using deep learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary As urban systems become more highly sophisticated and interdependent, their vulnerability to earthquake events exhibits a significant level of uncertainties. Thus, community‐level seismic risk assessments are indispensable to facilitate decision making for effective hazard mitigation and disaster responses. To this end, new frameworks for pre‐ and post‐earthquake regional loss assessments are proposed using deep learning methods. First, to improve the accuracy of the response prediction of individual structures during the pre‐earthquake loss assessment, a widely used nonlinear static procedure is replaced by the recently developed probabilistic deep neural network model. The variabilities of the nonlinear responses of a structural system given the seismic intensity can be quantified during the loss assessment process. Second, to facilitate near‐real‐time post‐earthquake loss assessments, an adaptive algorithm, which identifies the optimal number and locations of sensors in a given urban area, is proposed. Using a deep neural network that estimates area‐wide structural damage given the spatial distribution of the seismic intensity levels as a surrogate model, the algorithm adaptively places additional sensors at property lots at which errors from surrogate estimations of the structural damage are the greatest. Note that the surrogate model is constructed before earthquake events using simulated datasets. To test and demonstrate the proposed frameworks, the paper introduces thorough numerical investigations of two hypothetical urban communities. The proposed frameworks using the deep learning methods are expected to make critical advances in pre‐ and post‐earthquake regional loss assessments.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle