An enhanced machine learning-based rapid visual screening framework for low-rise RC buildings considering model uncertainty and decision threshold optimization
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
Existing structures can become seismically vulnerable over time due to various factors including deterioration and outdated or seismic design provisions. Rapid visual screening (RVS) methods are commonly used to quickly filter large building inventories for at-risk structures, typically based on simple visual inspections, such as sidewalk surveys. In a previous study, the authors developed a machine learning (ML)-based RVS method for low-rise reinforced concrete (RC) buildings capable of identifying buildings that are likely to be severely damaged in an earthquake with an accuracy of 71%. However, uncertainty in the model’s predictions remains a concern. This study refines the previously proposed RVS methodology by addressing model uncertainty and minimizing misclassifications. Two primary approaches are proposed: the first analyzes class probabilities from the ML-based screening model to assess the prediction uncertainty rather than relying on the final predicted damage class. With this approach, buildings for which the ML model shows high uncertainty can be prioritized for more detailed evaluation. The second approach aims to optimize the decision threshold used by the ML model to more accurately identify buildings at risk of severe damage. This is done by evaluating the relative cost of misclassifications, low risk buildings identified as high risk (false positives) and high-risk buildings identified as low risk (false negatives). Building on the findings, this paper proposes a comprehensive three-level machine learning-based methodology for enhanced rapid seismic vulnerability assessments.
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 | 0,001 |
| 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 découle