Attention-Based Sequence-to-Sequence Learning for Online Structural Response Forecasting Under Seismic Excitation
Notice bibliographique
Résumé
In structural health monitoring (SHM), measuring and evaluating structural dynamic responses are critical for safety management of civil infrastructures. Particularly, online forecasting of the structural responses under extreme external loading conditions (e.g., earthquakes) takes a significant role in SHM to provide early warning and ensure safe operation. In practice, complex causality and intrinsic interactions between seismic excitation and structural response make it challenging to establish a reliable predictive scheme. The present paper proposes a novel deep recurrent neural network (RNN) model implemented in the architecture of a time-series attention-based RNN encoder–decoder (TSA-RNN-ED), for predictive analysis of structural responses under seismic excitation. In the proposed data-driven model, upcoming sequential responses are predicted through sequence-to-sequence learning from historical multivariate time-series signals. A time-series attention mechanism is proposed to exploit the heterogeneous, but directly related, hidden features between the seismic loads and the corresponding structural responses. The proposed architecture can reliably regress excitation-response interactions to predict dynamic responses subjected to future earthquakes while satisfying the need of real-time forecasting for on-site practical implementation. This article systematically evaluates the proposed model by using two real-world structural cases: 1) the tallest building in China, the Shanghai Tower and 2) a woodframe classroom on a shake table at the University of British Columbia in Vancouver, Canada. The experimental results demonstrate the accurate and efficient performance of the proposed methodology in forecasting the seismic responses of the structures under investigation.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».