Calibration of an elastoplastic model of sand liquefaction using the swarm intelligence with a multi-objective function
Notice bibliographique
Résumé
According to post-seismic observations, spectacular examples of engineering failures can be ascribed to the occurrence of sand liquefaction, where a sandy soil stratum could undergo a transient loss of shear strength and even behave as a “liquid”. Therefore, correct simulation of liquefaction response has become a challenging issue in geotechnical engineering field. In advanced elastoplastic models of sand liquefaction, certain fitting parameters have a remarkable effect on the computed results. However, the identification of these parameters, based on the experimental data, is usually intractable and sometimes follows a subjective trial-and-error procedure. For this, this paper presented a novel calibration methodology based on an optimization algorithm (particle swarm optimization (PSO)) for an advanced elastoplastic constitutive model. A multi-objective function was designed to adjust the global quality for both monotonic and cyclic triaxial simulations. To overcome computational problem probably appearing in simulation of the cyclic triaxial test, two interrupt mechanisms were designed to prevent the particles from wasting time in searching the unreasonable space of candidate solutions. The Dafalias model has been used as an example to demonstrate the main programme. With the calibrated parameters for the HN31 sand, the computed results were highly consistent with the laboratory experiments (including monotonic triaxial tests under different confining pressures and cyclic triaxial tests in two loading modes). Finally, an extension example is given for Ottawa sand F65, suggesting that the proposed platform is versatile and can be easily customized to meet different practical needs.
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 | 0,001 |
| 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 ».