A Probabilistic Predictive Model for Foundation Settlement on Liquefiable Soils Improved with Ground Densification
Notice bibliographique
Résumé
In this paper, we present a probabilistic predictive procedure for a foundation’s permanent average settlement on liquefiable soils improved with ground densification. The proposed procedure is based on 770 three-dimensional (3D), fully coupled, effective-stress, finite-element analyses designed through quasi-Monte Carlo sampling of key input parameters. The numerical models are themselves calibrated and validated with centrifuge model studies, and they consider realistic, nonlinear, 3D structures on shallow foundations, seismic soil–structure interaction, interlayering and layer cross interactions, ground densification properties and geometry, and ground motion characteristics. We use nonlinear regression with lasso-type regularization to estimate model coefficients. The primary predictors of a foundation’s settlement are identified as the cumulative absolute velocity of the outcropping rock motion; total thickness of the soil deposit above bedrock and cumulative thickness of the critical liquefiable layer(s); the foundation’s bearing pressure, size, and embedment depth; the structure’s total height; the achieved density and size of ground improvement; and the thickness of the remaining undensified susceptible soils within the foundation’s influence zone. In the end, the predictive model is shown to capture the trends in a limited number of centrifuge and field case histories collected from the literature. The insight from the numerical database and the first-of-its-kind predictive model aims to guide the design of liquefaction mitigation strategies that improve the performance of the soil–foundation–structure system holistically and reliably.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».