Data-Driven Machine-Learning-Based Seismic Response Prediction and Damage Classification for an Unreinforced Masonry Building
Notice bibliographique
Résumé
Unreinforced masonry buildings are highly vulnerable to earthquake damage due to their limited ability to withstand lateral loads, compared to other structures. Therefore, a detailed assessment of the seismic response and resultant damage associated with such buildings becomes necessary. The present study employs machine learning models to effectively predict the seismic response and classify the damage level for a benchmark unreinforced masonry building. In this regard, eight regression-based models, namely, Linear Regression (LR), Stepwise Linear Regression (SLR), Ridge Regression (RR), Support Vector Machine (SVM), Gaussian Process Regression (GPR), Decision Tree (DT), Random Forest (RF), and Neural Networks (NN), were used to predict the building’s responses. Additionally, eight classification-based models, namely, Naïve Bayes (NB), Discriminant Analysis (DA), K-Nearest Neighbours (KNN), Adaptive Boosting (AB), DT, RF, SVM, and NN, were explored for the purpose of categorizing the damage states of the building. The material properties of the masonry and the earthquake intensity were considered as the input parameters. The results from the regression models indicate that the GPR model efficiently predicts the seismic response with larger coefficients of determination and smaller root mean square error values than other models. Among the classification-based models, the RF, AB, and NN models effectively classify the damage states with accuracy levels of 92.9%, 91.1%, and 92.6%, respectively. In conclusion, the overall performance of the non-parametric models, such as GPR, NN, and RF, was found to be better than that of the parametric models.
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 | 0,000 |
| 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 ».