Hybrid data‐driven and physics‐based simulation technique for seismic response evaluation of steel buckling‐restrained braced frames considering brace fracture
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
Abstract This paper proposes a hybrid data‐driven and physics‐based simulation technique for seismic response evaluation of steel Buckling‐Restrained Braced Frames (BRBFs) considering brace fracture. Buckling‐Restrained Brace (BRB) fracture is represented by cumulative plastic deformation capacity. A dataset, consisting of 95 past BRB laboratory tests and 120 simulated BRB responses generated using the finite element method, is first developed. An Artificial Neural Network‐based (ANN) predictive model is then trained using the training dataset to estimate the cumulative plastic deformation of BRBs. The prediction capability of the ANN‐based predictive model is validated using the training dataset and an existing regression‐based predictive model. In the second part of the paper, an hybrid simulation technique combining the data‐driven model and physics‐based numerical modeling is presented to conduct the nonlinear time history analysis, followed by 1) validation against a full‐scale BRBF testing and 2) demonstration of the proposed simulation technique using a six‐story BRBF. The results confirm that the proposed predictive model can predict the BRB fracture with sufficient accuracy. Furthermore, the hybrid data‐driven physics‐based simulation technique can be used as a powerful tool for dynamic analysis of BRBFs considering BRB fracture.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découle