Predicting seismic interaction effect between soil and structure group 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
Quantifying the influence of seismic interaction between soil and structure group (SSGI) is of great significance to seismic design , retrofit , and damage assessment of structures in densely built urban areas. To this end, this study proposes a one-dimensional convolutional neural network (1D-CNN) model to rapidly predict the influence of adjacent structures on the maximum inter-story drifts and base shears of RC frame structures. Based on an experimentally validated three-dimensional finite element method , 890 pairs of soil-single structure versus soil-structure group systems under different earthquake loadings are simulated. The dataset comprising 890 groups of input (i.e., soil and structure group parameters, ground motion acceleration) and output data (i.e., changes in maximum inter-story drift and base shear) is constructed to train the machine learning model. Subsequently, sensitivity analysis is performed to identify optimal hyperparameters for training the 1D-CNN model, whereas a back propagation artificial neural network (BP-ANN) model is established to compare the model performance. Results indicate that compared with the BP-ANN model, the 1D-CNN model has a more stable and robust architecture and features superior prediction accuracy. In particular, the developed 1D-CNN model has a mean absolute error of less than 2.3% and an absolute error of less than 5.4% for 90% of cases in the testing set. The superior performance of the 1D-CNN model makes it an effective and efficient tool to be applied to predict the seismic responses of RC frame buildings under the SSGI effect.
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 | 0,000 |
| 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