Prediction of hysteresis response of steel braces using long Short-Term memory artificial neural networks
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
• Proposed ANN-based surrogate models for the nonlinear hysteresis response prediction of steel buckling-restrained and conventional hollow structural section braces. • Utilized long short-term memory (LSTM) algorithm for signal-to-signal prediction in proposed surrogate models. • Developed a decoupling technique to overcome the limited experimental datasets. • Validated the steel brace surrogate models using experimental and synthetic numerical data. This article proposes artificial neural networks that utilize the long short-term memory (LSTM) algorithm to estimate the nonlinear hysteresis response of steel buckling-restrained and conventional hollow structural section braces. The proposed models overcome the two main challenges: 1) the complexity of hysteresis response (tensile yielding and strain-hardening in tension, and compressive buckling and strength degradation in compression) and 2) limited training data, using an LSTM network and auxiliary parameters. The development of a suitable training dataset is first presented. The architectures of the proposed models are then described followed by the validation of the model against unseen brace hysteresis responses. The validation results confirm that the proposed LSTM networks are both accurate and computationally efficient in predicting the response of steel braces to random lateral loads, namely axial force – axial deformation response. The proposed models have the potential to be used for seismic response evaluation of steel braced frames, provided that their limitations are properly considered.
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 | 0,000 | 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 découle