Integrating GIS and Machine Learning for Seismic Damage Assessment of Liquid Storage Tanks in California
Notice bibliographique
Résumé
This study explores the integration of Geographic Information Systems (GIS) and Machine Learning (ML) methods to assess seismic-induced damage categories of above-ground liquid storage tanks across California.A real-world damage tank dataset was considered to perform GIS-based spatial analysis, to identify clustering and distribution patterns.The results reveal that Southern California's most significant damage concentrations align with the region's high seismic vulnerability.To predict damage categories, four ML classifiers were evaluated: Decision Tree (DT), Random Forest (RF), XGBoost, and Support Vector Machine (SVM).Initial model performance was limited due to class imbalance in the dataset.The Random Forest model showed relatively better results compared to the others and was further improved using the Synthetic Minority Over-sampling Technique (SMOTE) to address class imbalance.The enhanced model significantly improved classification performance, achieving training scores of 0.93 across all evaluation metrics.On the test set, the model attained a maximum precision of 0.75, a recall of 0.73, and an accuracy of 0.73.These findings demonstrate that combining Random Forest with SMOTE can effectively improve predictive accuracy and generalization in imbalanced datasets.Overall, this research highlights the practical application of GIS-based spatial analysis with ML techniques for seismic risk assessment and infrastructure resilience planning.
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 ».