Performance-based layout optimization framework of tall buildings subjected to dynamic wind load
Notice bibliographique
Résumé
In the pursuit of advancing structural design methodologies, this paper presents a comprehensive framework for the conceptual design stage to systematically identify the layout of the main wind force-resisting system (MWFRS) (i.e., shear walls) of tall buildings within a performance-based wind design (PBWD) perspective. The framework integrates computational fluid dynamics for wind load evaluation with a finite element method to perform a linear time history analysis. A deep neural network surrogate model is developed to reduce the computational cost required for objective function evaluation. The optimization problem is defined to minimize structural material usage while adhering to performance constraints based on the PBWD described in the ASCE prestandards through using a non-dominated sorting genetic algorithm-II to derive the multi-objective optimization process. Finally, a nonlinear time history analysis is employed to predict the inelastic behaviour of tall buildings based on the prestandards assumptions to quantify the differences that can be generated using the developed framework. To ensure the proposed framework's effectiveness and practicality, a case study of a standard tall building is presented. • Novel optimization framework for performance-based wind design of tall buildings. • Integration of CFD and FEM for wind loading evaluation. • Development of a deep neural network surrogate model to reduce computational costs. • Utilization of genetic algorithms for multi-objective optimization. • Nonlinear time history analysis for wind-induced tall buildings.
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 | 0,000 | 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 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 ».