Time-domain buffeting response prediction of a long-span bridge: A hybrid machine learning framework
Notice bibliographique
Résumé
As bridge spans continue to increase, wind-induced vibrations become a major concern for structural integrity and serviceability. Buffeting, caused by the impinging turbulence, significantly impacts fatigue life and serviceability of long-span bridges. Consequently, accurate and rapid assessment of buffeting-induced responses is crucial for various applications, including real-time monitoring and risk assessment. This study introduces a novel hybrid machine learning framework designed to simulate the buffeting-induced response of long-span bridges over time, addressing key limitations in existing approaches. Unlike previous studies, which often focused on localized predictions, limited wind scenarios, frequency-domain analysis, and suffered from error accumulation over time, the proposed framework captures the complete time-history response across multiple degrees of freedom, providing a more comprehensive understanding of the bridge's dynamic behavior. The framework combines autoencoders and Long Short-Term Memory (LSTM) networks to enhance the efficiency and accuracy of time-series prediction. Initially, autoencoder networks compress the high-dimensional wind speed and bridge displacement data into lower-dimensional latent spaces, capturing essential features while reducing computational cost. Subsequently, an LSTM network leverages these compressed representations to model temporal dependencies within the buffeting response, predicting the bridge's response based on encoded wind speed. The final predictive model integrates both autoencoders and the trained LSTM: the first autoencoder encodes raw wind speed, the LSTM predicts the latent bridge response from this encoding, and the second autoencoder reconstructs the final predicted bridge response vector. The model's effectiveness is evaluated through a simplified representation of the Lysefjord Bridge, rigorously assessing both interpolation and extrapolation performances. The proposed model achieves a good simulation accuracy on both training and testing sets, making it a compact and computationally efficient tool for real-time monitoring and assessment of bridges under various wind conditions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».