Multi-objective optimization based seismic design of CLT coupled wall and Glulam Moment Resisting Frame System
Notice bibliographique
Résumé
This research develops a timber-based structural system combining Cross-Laminated Timber Coupled Walls (CLTCWs) and Glulam Moment Resisting Frame (GMRF) systems. The CLTCWs system features CLT balloon shear-walls coupled with energy dissipative replaceable beams and hold-downs made up of buckling-restrained braces (BRB), while the GMRF provides additional ductility and energy dissipation through beam–column joints with steel dampers. A multi-objective optimization (MOO) framework is developed to design a typical 20-storey CLTCWs-GMRF system. Initially, a baseline system is developed using the linear static procedure, and its performance is evaluated through nonlinear analysis in OpenSees under 50 bi-directional ground motions representative of Vancouver’s seismic hazard. Using the analysis results, key design variables, objective functions, and constraints are identified to generate samples for optimization. A deep learning-based surrogate model is trained and a genetic algorithm is utilized to optimize the system, targeting specific performances related to damage states of structural components. The results demonstrate the feasibility of the developed system, highlighting its potential as an alternative tall timber solution, and the effectiveness of the proposed MOO-based design framework in achieving a high-performance resilient system. • A dual system, combining CLT Coupled Wall & Glulam Moment Resisting Frame is proposed. • A multi-objective optimization based seismic design framework is introduced. • A 20-storey CLTCWs-GMRF system is designed for demonstration purposes. • The interaction between coupled walls and moment resisting frame systems is studied. • Optimal coupling beam force profile is obtained in the presence of interacting frame.
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 ».