Deep Learning‐Based Response Spectrum Analysis Method for Bridges Subjected to Bi‐Directional Ground Motions
Notice bibliographique
Résumé
ABSTRACT The response spectrum analysis method is one of the most widely used approaches developed to estimate the seismic demands of structural systems with minimal computational expense while maintaining high accuracy. The authors recently proposed a deep learning‐based combination (DC) rule to enhance the prediction accuracy of the response spectrum analysis method without compromising computational efficiency. The DC rule employs a deep neural network (DNN) model to estimate the contributions of individual modal responses. The DC rule, primarily developed for building structural systems, has limitations in its applications to bridge structures, particularly those subjected to bi‐directional ground motions. Moreover, the inherent “black box” nature of deep learning models restricts the interpretability and practicality of the method. To address these challenges, this research further develops the DC rule in three aspects. First, we construct a seismic demand database for bridge structures subjected to bi‐directional ground motions. Second, the DC rule is extended to accommodate structural systems under bi‐directional ground motion excitations. Third, we develop a simplified regression‐based model to replace the DNN model, thereby enhancing the practicality and interpretability of the DC rule approach. Extensive numerical investigations are conducted to validate the performance of the proposed framework, demonstrating its efficiency and accuracy in predicting the seismic demands of bridge structures. The source codes, data, and trained DNN models are available for download at https://github.com/TyongKim/ERD2 .
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,003 | 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 ».