MétaCan
Menu
Retour à la cohorte
Enregistrement W4415487909 · doi:10.1016/j.strusafe.2025.102667

Resilience based seismic design of CLT coupled walls and Glulam moment resisting frame system

2025· article· en· W4415487909 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueStructural Safety · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueSeismic Performance and Analysis
Établissements canadiensUniversity of WaterlooOkanagan University CollegeUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesNational Research Council CanadaNatural Sciences and Engineering Research Council of Canada
Mots-clésFrame (networking)Resilience (materials science)Baseline (sea)Moment (physics)Surrogate modelNonlinear systemSeismic analysisGenetic algorithmSeismic loading

Résumé

récupéré en direct d'OpenAlex

Seismic design philosophies have evolved significantly over the past several decades, shifting from life safety focused – prescriptive methods – towards approaches that also consider post-earthquake recovery, economic losses, and social impacts. This transition has led to the emergence of Resilience-Based Seismic Design (RBSD). While RBSD has been explored for concrete- and steel-based structural systems, its application to timber structures remains limited. Accordingly, this study develops a novel RBSD framework for a 20-storey timber building combining Cross-Laminated Timber Coupled Walls (CLTCWs) and a Glulam Moment-Resisting Frame (GMRF) to resist lateral loads. A baseline system is designed and assessed using FEMA P-58 methodology and the TREADS repair time model under multiple seismic intensity levels. Using this baseline, a Multi-Objective Optimization (MOO) framework is formulated with conflicting objectives: minimizing structural strength demands while maximizing its resilience. A dynamic deep learning-based surrogate model is trained to predict seismic performance across varying design parameters. Non-dominated Pareto-optimal solutions are obtained using a genetic algorithm and further evaluated through nonlinear time–history analyses. Results show that the optimized solutions achieve notable improvements in both structural efficiency and resilience performance compared to the baseline system. This research contributes a flexible and data-driven methodology for advancing the design of resilient, high-performance tall timber buildings. • A RBSD framework is proposed, employing a MOO approach that integrates deep-learning-based surrogate models with genetic algorithms. • The framework incorporates the FEMA P-58 methodology and TREADS repair time model, enabling comprehensive resilience. • The framework is applied to the design of a 20-storey innovative timber-based dual system system. • Through the RBSD process, optimal design parameters are determined, accounting for the complex interactions between the dual system components. • It provides a novel decision-making tool, enabling stakeholders to quantitatively balance seismic safety, economic losses, and functional recovery objectives within a unified framework.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,173
Score d'incertitude au seuil0,502

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,210
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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