Unified Hysteresis Modeling via Physics‐Based Deep Learning and Data Augmentation
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
ABSTRACT Deep learning‐based models have recently emerged as alternatives to traditional form‐constrained hysteresis models, including Bouc‐Wen class models, offering significant potential for unified hysteresis modeling to capture complex nonlinearities and diverse response patterns exhibited under stochastic excitations such as ground motions. This paper proposes a unified hysteresis modeling framework based on deep learning, leveraging (1) physics‐encoded deep learning through a custom architecture that emulates the solution process of traditional models, (2) physics‐informed deep learning with an efficient loss function to enforce non‐negative energy dissipation, and (3) data augmentation via resampling hysteresis data to enhance the training dataset. The proposed unified hysteresis model can be trained on a relatively small amount of force–displacement data obtained under seismic excitations and enabling efficient and accurate time history analysis. The proposed model can account for complex stiffness and strength degradations and pinching effects. Tests across various traditional hysteresis models demonstrate that the proposed deep learning‐based unified hysteresis model can effectively reproduce diverse hysteresis behaviors. The proposed model is also validated against experimental hysteresis data from modular yielding links, confirming its capability to accurately represent real‐world hysteresis behavior. The source code and accompanying data can be accessed online for reproducibility at https://github.com/JaehwanJeon/Testing_torch .
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 | 0,000 |
| 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 découle