Seismic Response Estimation and Performance Assessment of Large-Scale Structures Using Deep-Learning Methods
Notice bibliographique
Résumé
Applications of machine learning (ML) in structural engineering and mechanics have increased substantially in recent years. Interest in ML stems from its potential to handle complex problems with increased accuracy and/or computational efficiency compared with traditional methods when a sufficient amount of data is available. This study explored the application of deep neural networks to seismic response and damage estimation for large-scale civil structures in the context of performance-based earthquake engineering. The objective was to experimentally validate the accuracy and efficiency of modified versions of the long short-term memory (LSTM) neural network and the physics-guided convolutional neural network (PhyCNN) in structures subjected to base excitations in linear and nonlinear response regimes. In particular, the robustness of the methods to predict the response and state of integrity of structures undergoing severe damage due to strong base motions when the methods are trained using limited low-amplitude linear input–output data was assessed. The performance and predicting capabilities of the methods were evaluated using experimental data from two full-scale case studies: a six-story building structure in San Bernardino, California, instrumented as part of the California Strong Motion Instrumentation Program (CSMIP), and a seven-story full-scale shear wall structure tested on the high-performance outdoor shake table at the University of California at San Diego. The results show that deep neural networks have limited robustness when applied to estimate response features outside the training domain, with a significant reduction in the prediction accuracy if the level of nonlinearity for prediction is higher than in the training data set.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».