Physics-informed probabilistic models for peak pore pressure and shear strain in layered, liquefiable deposits
Notice bibliographique
Résumé
In this paper probabilistic models are developed for estimating the peak excess pore pressure ratio ([Formula: see text]) and peak shear strain ([Formula: see text]), which control liquefaction triggering, in layered granular soils under earthquake loading. The models are developed using non-linear regression applied to a database of 167 352 results from one-dimensional, non-linear, effective stress, site response analyses. A pseudo-parametric regression strategy is adopted to account for the theoretical upper bound on [Formula: see text] at a value of 1. The models include the influence of variables that are specific to the individual layer, to the soil profile and to the ground motion, as well as layer-to-layer interaction and the relationship between [Formula: see text] and [Formula: see text]. The variability around model predictions is decomposed, and the relative contributions of layer-, profile- and ground motion-specific parameters are evaluated. Epistemic uncertainty related to soil model selection, calibration and validation is also addressed. The total uncertainty around model predictions ranges from 0·5 to 1·6 in natural log units, with smaller values for scenarios that are of particular engineering interest (e.g. high [Formula: see text]). Finally, the proposed models are used to estimate the probability of liquefaction triggering for case studies from the 2010–2011 Canterbury earthquake sequence. The results are shown to compare favourably with existing deterministic and probabilistic methods in terms of their ability to distinguish between cases where liquefaction was observed in both the Darfield and Christchurch earthquakes and those where no liquefaction was observed in either event.
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 ».