A framework for the rapid assessment of seismic upgrade viability using performance‐based earthquake engineering
Notice bibliographique
Résumé
The performance‐based earthquake engineering (PBEE) methodology allows designers to deaggregate expected seismic losses in a building to a component level. This deaggregated information provides the opportunity to tailor upgrade strategies to individual structures based on sources of losses. However, the optimization of an upgrade strategy becomes difficult because of the relationship between a structure and its nonstructural components; hence, multiple competing upgrade options must be considered. To address this obstacle, this article proposes a framework to guide the assessment of the viability of both structural and nonstructural upgrade strategies, while accounting for limited design resources likely encountered in the early stages of the design process. The framework utilizes the median shift probability (MSP) method, a modified version of the PBEE method introduced in this article, to rapidly summarize the effects of structural upgrades on nonstructural components by considering the impacts of structural modifications on the floor hazards. While accounting for this relationship, the MSP method utilizes the deaggregation of loss across different source categories to identify the benefit of combined structural and nonstructural upgrades, increasing a designer's understanding of the impact of structural upgrades on losses and allowing for the rapid determination of optimized upgrade strategies unique to the owner's conditions. A case study example of the implementation of the framework is provided, and the results obtained from the MSP method are compared with those obtained from more rigorous but resource‐intensive optimization analysis. An implementation of the MSP method in Microsoft Excel is provided with this article.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 tête enseignante, 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 ».