Multi-fidelity modelling for uncertainty quantification of timber beam-column connections exposed to standard fire
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
Fire safety design of timber structures requires a comprehensive uncertainty quantification to identify factors that potentially influence the structural fire performance. Prevalent finite element (FE) models, however, have high computational cost to be employed in the uncertainty quantification. This paper presents a multi-fidelity modelling framework for uncertainty quantification of timber beam–column connections exposed to standard fire test, aiming to predict the structural response with limited high-fidelity data points. First, the high- and low-fidelity FE models for sequential thermal-mechanical analysis are introduced. The fire resistance times of the connections with random input variables are evaluated by the high- and low-fidelity models separately. Subsequently, multi-fidelity neural networks (MFNNs) models are trained to correlate both high- and low-fidelity data. The numbers of high- and low-fidelity data used for training the MFNN are determined based on the model’s performance on the validation set. With limited high-fidelity data, the developed MFNN is demonstrated to be considerably accurate in predicting the fire resistance time and displacement evolution of the connection. Then the MFNN is used for the uncertainty quantification including sensitivity analysis, SHapley Additive exPlanations (SHAP) analysis and reliability analysis. The impacts of input variables on the connection’s fire resistance time are quantified. The failure probability of the connection under different load ratios are assessed based on Monte Carlo simulation (MCS).
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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