Reliability analysis of structures using probability density evolution method and stochastic spectral embedding surrogate model
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 This study presents an efficient reliability analysis method using probability density evolution method (PDEM) and stochastic spectral embedding (SSE) based surrogate model. The PDEM is used to estimate the structural response's probability density function (PDF). The PDEM is derived based on the principle of probability conservation where generalized density evolution equations (GDEEs) are decoupled from the physical system. The GDEEs are solved using finite difference method coupled with total variation diminishing, in which a set of representative points of random parameters are generated using the generalized F‐discrepancy scheme. To obtain satisfactory accuracy of the numerical solution, representative points are needed, which becomes computationally expensive for complex structures. To reduce the computation burden, the SSE is used, which approximates the original response surface. The SSE is a class of supervised machine learning algorithm where it is trained by few observations and enables output prediction as spectral representation. This is achieved by minimizing the residual using domain decomposition technique. To illustrate the proposed SSE‐based PDEM, three numerical examples are investigated, including the reliability analysis of four‐branch problem and shear building frame subjected to ground acceleration, and the reliability‐based design optimization of a moment‐resisting frame coupled with the nonlinear energy sink with negative stiffness and sliding friction. Numerical results show that the proposed SSE‐based PDEM can estimate failure probability using a very small number of representative points without compromising accuracy compared with Monte Carlo simulation, which leads to a reduction in computational costs.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 découle