Deep neural network‐based regional seismic loss assessment considering correlation between EDP residuals of building structures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Regional seismic loss assessment is essential for developing an emergency response plan in the event of an earthquake, which can reduce casualties and socioeconomic losses in an urban community. The uncertainties and correlations of structures’ engineering demand parameters (EDP) should be adequately considered to evaluate the community‐level seismic risk. Recently, the authors proposed an incremental dynamic analysis‐based method and regression‐based models to estimate the variances and correlations of residuals in EDP termed “EDP residuals.” The quantified uncertainties of the EDP residuals facilitate the accurate evaluation of the regional seismic performance. Still, the computational cost required in the estimation process makes its application a challenge. This study proposes two frameworks for regional seismic loss assessment based on deep neural networks (DNNs) to extend the applicability of EDP residual estimation and improve its accuracy. The first framework estimates the EDP residuals of buildings by combining the EDP residuals of various single‐degree‐of‐freedom (SDOF) systems through the modal combination rules. Three DNN models are constructed to predict the EDP residuals of SDOF systems. The second framework predicts the EDP residuals of buildings directly using two DNN models. The proposed frameworks are verified by numerical examples of regional seismic loss assessment, for which time history‐based “exact” solutions exist. The supporting source code, data, and trained models are available for download at https://github.com/TyongKim/EDP_residual . Highlights The importance of considering EDP residual correlation in seismic system reliability analysis is demonstrated. Two DNN‐based frameworks are developed to estimate EDP residuals of building structures. Modal combination rule is employed to utilize EDP residuals of SDOF systems representing structural modes. DNN models are constructed to predict EDP residuals of SDOF and MDOF systems. Accuracy and applicability of DNN‐based frameworks are successfully demonstrated by example of regional seismic loss assessment.
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.
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 | 0,001 |
| 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) | 0,000 | 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 découle