Multiobjective Structural Layout Optimization of Tall Buildings Subjected to Dynamic Wind Loads
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
The tall building design process typically goes through a time-consuming iterative procedure to ensure the cost efficiency of the proposed structural system, especially in the conceptual design stage where the layout is designed. Despite that, this procedure does not guarantee to yield an optimal layout. Consequently, an automated layout optimization procedure will result in a more economical and sustainable design. This paper presents a novel multiobjective lateral load resisting system (LLRS) (i.e., shear walls) layout optimization framework provided for dynamically sensitive tall buildings subjected to a wind load time history. The developed framework relies on an artificial neural network (ANN) surrogate model for constraints and objective function evaluation to reduce the computational time of the optimization process. The adopted surrogate model is built based on an automated finite element models-generated database using MATLAB code via the Open Application Program Interface of the ETABS software. The ANN surrogate model proved its efficiency in capturing complex variations in the structural response with a correlation coefficient that ranges between 90% and 98%. A nongradient optimization algorithm (NSGA-II) is adopted to identify the optimal shear wall layout to resist the applied dynamic wind load. In order to reduce the number of optimal layout solutions on the Pareto front, a pruning algorithm is used to limit the optimal solutions to 24 layouts. This will enable designers to use the direct selection method to choose an appropriate layout that fits the project’s objectives. Also, a case study building is presented where the optimized results are analyzed and discussed in the numerical example to verify the effectiveness of the proposed optimization framework.
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