Unified Hysteresis Modeling via Physics‐Based Deep Learning and Data Augmentation
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».