Deep learning-based surrogate model to estimate scour around slab-on-grade foundations subjected to flooding conditions
Notice bibliographique
Résumé
Residential foundations in coastal areas are susceptible to loss of soil support due to erosion and scour during storm surge events. The current methods to address these issues are largely based on empirical evidence and lack sensitivity to site-specific conditions. Thus, a research study was designed and performed to develop a computationally efficient deep learning-based surrogate model to estimate scour around slab-on-grade foundations on sandy soils over a wide range of flooding conditions. A fully coupled 3D numerical model, calibrated using published laboratory test studies, was used to simulate scour around slab-on-grade foundations. This model was used in conjunction with a space-filling experimental design to generate sample points required to develop a surrogate model. Two deep neural network (DNN)-based surrogate models were developed and tested for predicting scour for varying flow and soil conditions. The DNN-based surrogate model, augmented with modified loss function to penalize un-physical predictions, was shown to achieve the best performance among the studied methods. Monotonicity analysis on the model showed that flood velocity, duration, and grain size properties of soils were found to have a major influence on the predicted maximum scour depth as compared to flood depth. The surrogate model developed can serve as an aid in achieving improved storm surge hazard preparedness, as well as proactive planning for post-hazard recovery efforts in vulnerable coastal communities.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».