Assembly Algorithms for Seismic Vulnerability Estimation in Confined Masonry Dwellings
Notice bibliographique
Résumé
In Peru, confined masonry houses are self-built, which makes it crucial to determine their seismic vulnerability.The objective of the research was to estimate the seismic vulnerability of confined masonry dwellings in the Pueblo Libre-Jaé n sector using assembly algorithms.A database was constructed with data obtained from the National Institute of Civil Defense (INDECI), scientific articles, and theses.Subsequently, the data set was divided into a training set (80%) and a validation set (20%), employing the stacking method with five combinations CB_1, CB_2, CB_3, CB_4, and CB_5.The basic algorithms Gradient-Boosting, Random-Forest, Extra-Tree, and Decision-Tree were utilized as the base algorithms, with the final estimator being the Random Forest Meta-Learner.The models were trained and validated in Python, achieving accuracies of 94.95, 95.48, 95.39, and 95.66 for the base models and 95.62, 95.23, 95.76, 95.90, and 94.80% for the ensemble models.The most accurate models were the simple Gradient Boosting (95.66%) and the assembled models CB_3 (95.76%) and CB_4 (95.90%).The CB_4 model, which is composed of the Decision Tree and Gradient Boosting algorithms, was applied to the Pueblo Libre sector and yielded a reliability estimate of greater than 95% for the seismic vulnerability of confined masonry.This estimate was classified as high (1.48%),moderate (32.85%), and low (65.67%).It is anticipated that the model implemented will enable engineers and authorities to implement mitigation measures to reinforce housing in the event of a seismic event.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 | 0,001 |
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 ».