Deep learning based seismic response prediction of hysteretic systems having degradation and pinching
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 The response of a hysteretic system is determined not only by the instantaneous external force but also by the loading history; thereby, a nonlinear time history analysis is needed for the accurate prediction of dynamic responses. The authors recently developed deep neural network (DNN) models for near‐real‐time seismic response predictions of hysteretic systems (Kim et al., 2019). The DNN models outperform existing regression‐based prediction methods for the idealized hysteretic systems used for the training. Structural systems often show complex hysteretic behavior such as degradation (in stiffness or strength) and pinching effects. In this paper, we develop DNN models for hysteretic systems having degradation and pinching. First, a new Bouc‐Wen class model, termed a modified Bouc‐Wen‐Baber‐Noori (m‐BWBN) model, is proposed to introduce the yield strength as an explicit model parameter. The feasible parameter domains are also specified to promote the practical use of the m‐BWBN model. Second, a seismic demand database is constructed by nonlinear time history analyses using the m‐BWBN model and many ground motions. Third, we propose a new DNN architecture and detailed training methodologies to learn the effects of the complex hysteretic characteristics on the peak seismic responses. Numerical examples of reinforced concrete structures are introduced to test the prediction performance and applicability of the proposed DNN model. The source codes, data, and trained models are available for download at http://ERD2.snu.ac.kr .
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 | 0,000 |
| 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 découle