Incorporating region-variability of model bias into liquefaction-triggering procedures for sandy and gravelly soils through BUS-powered hierarchical Bayesian updating
Notice bibliographique
Résumé
The accuracy of cyclic stress-based liquefaction-triggering assessment procedures can vary systematically from region to region, but it is challenging to regionalize models due to the lack of region-specific data. This paper presents a hierarchical Bayesian modeling (HBM)-based framework for incorporation of inter-region and intra-region variabilities of the bias factor in liquefaction-triggering procedures. A key feature is that the BUS approach (Bayesian Updating with Structural reliability methods) is combined with subset simulation to efficiently update high-dimensional statistics of bias factors. Another feature is a new four-hyperparameter HBM considering both region-specific means and variances of bias factors. This framework is utilized to develop three sets of region-specific liquefaction probability models for practical applications, covering liquefaction-susceptible sandy and gravelly soils. The results show that the four-hyperparameter HBM generally matches better with liquefaction observations and produces larger total variance, compared to the lumped-region modeling and the HBM with only region-specific means. Meanwhile, the population-level distribution and the weighting factor of liquefaction/non-liquefaction occurrence can considerably affect model performance. Furthermore, a discrete integration-based probabilistic method is suggested for liquefaction-triggering hazard assessment. Illustrative examples indicate that different HBM configurations can yield notably different liquefaction hazard results while neglecting the region-variability tends to be unconservative.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 ».