Stability Assessment of Concrete Gravity Dams via Multifidelity Surrogate Models
Notice bibliographique
Résumé
When many repetitions of an expensive or time‐consuming analysis are needed, simplified models are usually adopted to reduce the cost. This is often the case with gravity dams under seismic load, especially if geometry variation needs to be considered. Deterministic analysis of dams is an important part of preliminary analyses but generally leads to overconservative designs. In recent years, many researchers have studied the potential of machine learning techniques to reduce the computational burden of dam assessment. However, generating the training dataset for a surrogate model based on high‐fidelity (HF) data can be expensive when a large set of uncertain parameters is considered. To address this issue, this study proposes the use of multifidelity surrogate (MFS) models. In this method, datasets with different levels of fidelity are combined to generate a highly accurate surrogate model at a lower cost. To illustrate this, the seismic behavior of a gravity dam is assessed by means of a HF nonlinear finite element model that considers geometric, material, and seismic uncertainties. In addition, five lower fidelity (LF) models are combined with HF samples to generate multifidelity models. The goodness of fit of the models and the computational time to produce the dataset are used to identify the combination that optimizes the MFS model performance. The results show that including medium‐ or low‐fidelity samples improves the predictive performance of a surrogate model and reduces its computational burden. The results also show that the data generation and the selection of the best LF model depend on the size of the HF dataset.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| 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 ».