Convolutional variational autoencoder for ground motion classification and generation toward efficient seismic fragility assessment
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
This study develops an end-to-end deep learning framework to learn and analyze ground motions (GMs) through their latent features, and achieve reliable GM classification, selection, and generation of simulated motions. The framework is composed of an analysis workflow that transforms and reconstructs GMs through short-time Fourier transform (STFT), encodes and decodes their latent features through convolutional variational autoencoder (CVAE), and classifies and generates GMs by grouping and interpolating latent variables. A benchmark study is established to confirm the minor difference between original GMs and the corresponding reconstructed accelerograms. The encoded latent space reveals that certain latent variables are directly linked to the dominant physical features of GMs. Resultantly, clustering latent variables using the k-means algorithm successfully classifies GMs into different groups that vary in earthquake magnitude, soil type, field distance, and fault mechanism. By linearly interpolating two parent latent variables, simulated GMs are generated with consistent class information and matching response spectra. Furthermore, seismic fragility models are developed for a steel frame building and a concrete bridge using different sets of GMs. Using five classified, top-ranked motions, regardless of recorded or simulated accelerograms, can achieve reasonable and efficient fragility estimates compared to the case that adopts 230 GMs. The proposed deep learning framework addresses two compelling questions regarding seismic fragility assessment: How many GMs are sufficient and what types of motions should be selected.
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