Transfer learning-based artificial neural networks for hysteresis response prediction of steel braces
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 a novel data-driven model to predict hysteresis response of steel braces. • Used transfer learning with pre-trained baseline LSTM networks for improved performance. • Validated the model using four case studies with experimental and synthetic data. • Applied model in a pseudo-dynamic analysis of a steel braced frame. • Model accurately estimates displacement-force relationship in steel braces. This paper proposes a novel data-driven surrogate model for predicting the hysteresis response, i.e., axial force – axial deformation, of steel braces in concentrically braced frames under seismic loading using transfer learning-based artificial neural networks. Transfer learning is utilized to leverage pre-trained baseline long short-term memory networks and transfer its knowledge to the new hysteresis surrogate model. The proposed model is validated using four case studies involving various combinations of input data obtained from laboratory tests and data generated using random earthquake-induced vibration, featuring a wide range of frequency contents, amplitudes, and durations. A pseudo-dynamic analysis is then performed on a steel braced frame system to demonstrate the application of the proposed surrogate model in system-level response evaluation while verifying the performance of the model in real-time seismic simulations. The results obtained from the validation study confirm that the proposed brace hysteresis model can properly estimate the underlying physical relationship between the input displacement and output force using the transfer learning approach. The proposed model offers an efficient method to evaluate the dynamic response of steel braced frames.
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