Prediction of shear strain and excess pore water pressure response in liquefiable sands under cyclic loading using deep learning model
Notice bibliographique
Résumé
In this study, an attempt is made to predict the shear strain and excess pore water pressure ratio (ru) response of liquefiable sands using deep learning (DL) models. The DL model, such as long short-term memory (LSTM), is considered for predicting the response. The inputs of the models are basic soil properties, including applied shear stress time history, existing initial vertical effective stress, relative density, coefficient of uniformity, and mean grain size of the soil. The databases considered for the DL model training and testing are the cyclic laboratory test data of Ottawa F-65 and Nevada sands. For ru model training, suitable inputs are considered based on the available domain knowledge on the generation of excess pore water pressure during liquefaction in sands. Shear strain is also an essential input parameter to predict the excess pore water pressure ratio during liquefaction. Therefore, an additional shear strain model is developed to predict the shear strain time history for the testing datasets using the same training datasets. Then this shear strain model is used along with the ru model to predict the excess pore water pressure response for separate testing datasets. The predicted responses of shear strain and excess pore water pressure ratio agree well with the actual responses for testing datasets and perform well in terms of the evaluation metric. However, the models are trained using the limited datasets of specific soil types and their performance has to be tested for various global soil types under different loading conditions (e.g., transient loading). The study concluded with recommendations for improving the DL models for the cyclic response of other sands for seismic stability assessments.
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 | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».