Predicting the Influence of Soil–Structure Interaction on Seismic Responses of Reinforced Concrete Frame Buildings Using Convolutional Neural Network
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
Most regional seismic damage assessment (RSDA) methods are based on the rigid-base assumption to ensure evaluating efficiency, while these practices introduce factual errors due to neglecting the soil–structure interaction (SSI). Predicting the influence of the SSI on seismic responses of regionwide structure portfolios remains a challenging undertaking, as it requires developing numerous high-fidelity, integrated models to capture the dynamic interplay and uncertainties in structures, foundations, and supporting soils. This study develops a one-dimensional convolutional neural network (1D-CNN) model to efficiently predict to what degree considering the SSI would change the inter-story drifts and base shear forces of RC frame buildings. An experimentally validated finite element model is developed to simulate the nonlinear seismic behavior of the building-foundation–soil system. Subsequently, a database comprising input data (i.e., structural and soil parameters, ground motions) and output predictors (i.e., changes in story drift and base shear) is constructed by simulating 1380 pairs of fixed-base versus soil-supported structures under earthquake loading. This large-scale dataset is used to train, test, and identify the optimal hyperparameters for the 1D-CNN model to quantify the demand differences in inter-story drifts and base shears due to the SSI. Results indicate the 1D-CNN model has a superior performance, and the absolute prediction errors of the SSI influence coefficients for the maximum base shear and inter-story drift are within 9.3% and 11.7% for 80% of cases in the testing set. The deep learning model can be conveniently applied to enhance the accuracy of the RSDA of RC buildings by updating their seismic responses where no SSI is considered.
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 | 0,000 |
| 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