Probabilistic damage and loss modeling for metal roof using artificial neural network
Notice bibliographique
Résumé
Metal roofs are highly susceptible to hurricane wind damage. The damage to the roof is extremely significant in estimation of losses. Minor damage to the roof can augment the total loss because of the entrance of rain into the building, and subsequent interior and content loss. A probabilistic damage model is developed to predict the damage in a metal roof using Monte Carlo Simulation. Wind Tunnel data for five building models generated in University of Western Ontario is used to estimate the probability distribution of the extreme pressure coefficients. Wind tunnel data assist in giving more realistic loads and include significant factors such as building geometry, approach terrain and roof angle in the estimation of load. Probability distributions for the interior pressure, roll-up door failure and the resistances of the metal panels are obtained from various sources. Typical roof panels with different gages from United Steel Deck (USD) are used along with purlins of various gages and screws of different sizes to account for resistance in developing the damage model. These probability distributions are used to estimate the damage for all the wind tunnel building models. The damage dataset is then used to develop an Artificial Neural Network (ANN). This ANN is employed to estimate the damage to similar rectangular buildings where wind tunnel data is not available. The concept of a Normalized Damage Ratio (NDR) is introduced to consider variation in resistances. A large dataset of NDR’s is generated and used to develop a second ANN to address further variation in resistances. A methodology is suggested to use these ANN models to estimate losses in high wind events. Appropriate loss functions are used to estimate the losses. The damage model is also used to estimate the Average Annual Loss for a metal building in hurricane environment. Finally, a cost benefit study is performed to establish the cost effectiveness of mitigation.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».