Data-Driven Approach for Generating Tricomponent Nonstationary Non-Gaussian Thunderstorm Wind Records Using Continuous Wavelet Transforms and S-Transform
Notice bibliographique
Résumé
Strong thunderstorm winds cause damage to structures. However, the available number of the tricomponent thunderstorm wind record with a subsecond sampling time interval is limited. In the present study, a record-based procedure for generating tricomponent nonstationary non-Gaussian thunderstorm wind records was proposed. The procedure was based on the iterative power and amplitude correction algorithm framework but with modifications. The modifications were aimed at increasing the variability of the sampled record components by randomizing the power spectral density functions of processes through a digital filter in the frequency domain and improving the convergence by using a relaxation factor for the synchronized phase shift. The formulation and algorithm for the proposed procedure were given by considering the continuous wavelet transform with the harmonic wavelet and generalized Morse wavelet, and the generalized S-transform, which can provide good time localized resolution at high frequencies (low scales) and good resolution at low frequencies (high scales) simultaneously. The proposed procedure, unlike some of the algorithms available in the literature, matches the marginal mixture cumulative distributions of the seed record components and does not require the separation of low- and high-frequency wind components. The use of the proposed procedure to sample tricomponent thunderstorm wind records was shown.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».