Enabling efficient regional seismic fragility assessment of multi‐component bridge portfolios through Gaussian process regression and active learning
Notice bibliographique
Résumé
Abstract Regional seismic fragility assessment of bridge portfolios must address the embedded uncertainties and variations stemming from both the earthquake hazard and bridge attributes (e.g., geometry, material, design detail). To achieve bridge‐specific fragility assessment, multivariate probabilistic seismic demand models (PSDM) have recently been developed that use both the ground motion intensity measure and bridge parameters as inputs. However, explicitly utilizing bridge parameters as inputs requires numerous nonlinear response history analyses (NRHAs). In this situation, the associated computational cost increases exponentially for high‐fidelity bridge models with complex component connectivity and sophisticated material constitutive laws. Moreover, it remains unclear how many analyses are sufficient for the response data and the resulting demand model to cover the entire solution space without overfitting. To deal with these issues, this study integrates Gaussian process regression (GPR) and active learning (AL) into a multistep workflow to achieve efficient regional seismic fragility assessment of bridge portfolios. The GPR relaxes the probability distribution assumptions made in typical cloud analysis‐based PSDMs to enable heteroskedastic nonparametric seismic demand modeling. The AL leverages the varying standard deviation to select the least but most representative bridge‐model‐ground‐motion sample pairs to conduct NRHA with much‐improved efficiency. Both independent and correlated multi‐output GPRs are proposed to deal with bridge portfolios with seismic demand correlations among multiple components (column, bearing, shear key, abutment, unseating, and joint seal). Considering a single benchmark highway bridge class in California as the case study, the AL‐GPR framework and the associated component‐level fragility results are investigated in terms of their efficiency, accuracy, and robustness. The fragility results show that 70 AL‐selected samples would enable the GPR to derive bridge‐specific fragility models comparable to the ones using the multiple stripes analysis approach with 1950 ground motions considered for each individual bridge. The AL‐GPR model also successfully captures the physics of how bridge span length, deck area, column slenderness, and steel reinforcement ratio would change the damage state exceedance probabilities of different bridge components. The efficiency of AL stems from the fact that, with the multi‐output independent GPR, a stable and reliable fragility model can be achieved using 50 AL‐selected samples compared to at least 270 randomly chosen samples. The proposed methodology advances the state of the art in enabling more efficient and reliable regional seismic fragility assessment of multi‐component bridge portfolios.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».