Performance-based ice engineering framework: A data-driven multi-scale approach
Notice bibliographique
Résumé
Ice storms are one of the most devastating natural hazards which have the potential to inflict significant damage to the built environment. The multi-hazard nature of ice events complicates the analysis of their induced risk due to their inherent nonlinear interactions. In addition, the concurrent and interacting hazards are often responsible for several aerodynamical/dynamical instabilities such as the galloping mechanism. Moreover, the existing risk approaches are usually not suited for large-scale risk evaluation over extended geographical regions due to the involved high-computational costs. Therefore, in this study, a novel data-driven multi-scale performance-based ice engineering (PBIE) framework is developed to support the design of new structures subjected to ice storms or the rehabilitation of existing ones. In addition, the proposed PBIE is capable of rapidly estimating the real-time risk over an extended region due to an ice event. Specifically, it leverages the superior capabilities of state-of-the-art data-driven techniques (e.g., machine learning) to efficiently generate the corresponding risk maps and identify the high-risk areas. The proposed PBIE framework is applied to a simplified example in which the galloping-induced risk on iced conductors, in terms of the galloping amplitude, is evaluated for both local and regional scales. The resulting PBIE framework can be readily applied for design or retrofitting purposes or integrated within an emergency response management system to inform preventive actions that can mitigate the ice storm-induced damages and save lives.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».