Uncertainty quantification in the calibration of numerical elements in nonlinear seismic analysis
Notice bibliographique
Résumé
Abstract Modeling uncertainty in structural models can greatly affect the reliability of nonlinear time history results, which are central to performance‐based earthquake engineering. A crucial source of modeling uncertainty is the uncertainty in the parameters of constitutive models, which simulate the hysteretic behavior of key structural components. In current research and engineering practice, it is assumed that the accuracy of a nonlinear structural model is achieved by component calibration, which is conducted by trying to best match the response of a numerical model of a component to test results under a standardized quasi‐static loading regime. However, previous research has shown that even a very well‐fitted component‐level calibration might result in considerable errors in the system‐level structural dynamic response. This study is an initial attempt to investigate calibration relevance incorporating a rigorous uncertainty quantification framework. In the proposed framework, parameters of a constitutive model are considered as random inputs. Calibration error at the component level and global error at the system level are quantified based on the discrepancies between the simulation models with probabilistic inputs and reference models. Polynomial chaos expansions (PCEs) metamodels are implemented to conduct sensitivity analysis and investigate calibration relevance. Three buckling restrained braced frames (BRBFs) with different heights are investigated using the proposed framework. Four calibration methods’ relevance with global errors based on three engineering demand parameters (EDPs) are studied. The results allow for the identification of optimum hyperparameters to achieve peak calibration relevance and to evaluate different calibration methods for several EDPs for the three BRBFs.
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 | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».