Hybrid machine learning-enabled multivariate bridge-specific seismic vulnerability and resilience assessment of UHPC bridges
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
Efficient seismic vulnerability and resilience assessment is essential for ultra-high-performance concrete (UHPC) bridges, given their distinctive mechanical and structural properties. However, existing single-parameter-based probabilistic seismic demand (PSD) models overlook critical bridge‐specific characteristics and uncertainties. Besides, studies on seismic vulnerability and resilience assessment of UHPC bridges are scarce. Thus, this study proposes a hybrid machine learning (ML)-enabled multivariate bridge-specific seismic vulnerability and resilience assessment framework for UHPC bridges. Key design parameters and associated uncertainties are identified, and a Latin Hypercube Sampling (LHS) technique is employed to establish a representative UHPC bridge database, which is used to develop a hybrid ML model-based multivariate PSD model. A comparative analysis with the conventional PSD model, as well as widely used ML algorithms, demonstrated that the proposed PSD model achieves the highest predictive performance, characterized by the highest coefficient of determination and lowest prediction errors. Additionally, SHapley Additive exPlanation (SHAP) analysis is used to investigate the effect of different parameters on the PSD of UHPC bridges. The results of SHAP show the peak ground acceleration (PGA) as the most important factor, followed by bridge span and column diameter. The hybrid ML-enabled multi-variate bridge-specific fragility analysis results are used to investigate the functionality recovery and resilience of the bridge, which demonstrate the reduction in the residual functionality and overall bridge resilience with the increase in the ground motion intensity.
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