Bibliographic record
Abstract
Les courbes de fragilité sont utilisées afin d’évaluer la fiabilité des structures ainsi que pour identifier les composants les plus vulnérables. Cette recherche porte sur les analyses de fragilité sismique des ponts. Deux approches principales sont utilisées : 1) une analyse basée sur les courbes de fragilité de chaque composant et 2) une analyse basée sur la courbe de fragilité du système. Ces deux approches sont démontrées par la suite pour l’évaluation de deux ponts existants situés à Montréal. Les courbes de fragilité sont développées en considérant toutes les sources d’incertitudes aléatoire et épistémique, soit : le modèle de comportement structural, les sollicitations sismiques et la résistance des composants. L’évaluation de la fragilité des ponts existants comprend un modèle de détérioration associé à la corrosion des aciers d’armature ainsi qu’une validation du modèle structural à partir des caractéristiques dynamiques obtenues des mesures du bruit ambiant. De nouvelles procédures pour la sélection optimale des sollicitations sismiques et des méthodes d’analyse probabiliste pour la résistance des composants sont présentées et illustrées pour deux cas types. Deux méthodes stochastiques sont développées et proposées pour valider le modèle en éléments finis d’un pont. La première est basée sur les tests d’hypothèses statistiques classiques tandis que la deuxième est basée sur une approche bayésienne. Les méthodes stochastiques sont également utilisées afin d’actualiser les propriétés du système, identifier les causes les plus probables de défaillance et de définir un intervalle de confiance sur le comportement structural en fonction des résultats d’essais effectués en laboratoire ou sur le terrain. Afin de réduire l’incertitude sur les sollicitations sismiques à utiliser pour l’analyse, l’approche basée sur le spectre moyen conditionnel (Conditional Mean Spectrum - CMS) est utilisée. Des analyses dynamiques par incréments (ADI) sont effectuées afin d’estimer la variabilité du comportement sismique non-linéaire en fonction des caractéristiques des sollicitations. Dans un premier temps, un modèle de fiabilité est développé sur la base des courbes de fragilité par composant. Les courbes de fragilité sont dérivées à partir des analyses ADI en fonction de divers paramètres caractérisant les sollicitations sismiques et les demandes correspondantes sur chaque composant. Une distribution probabiliste conjointe des demandes sismiques (DPCDS) est estimée afin de dériver les courbes de fragilité pour les composants ainsi que pour l’ensemble du pont (système). Un désavantage de l’approche par composant est la complexité et la quantité des analyses à effectuer lorsque le système comprend plusieurs composants. Une approche alternative basée sur l’analyse des systèmes est également proposée. Celle-ci est basée sur la théorie des Support Vector Machines (SVM), une méthode innovante d’apprentissage par simulation. Cette technique permet d’identifier les relations entre plusieurs variables à partir de l’analyse d’un grand nombre de données. Dans ce cas-ci, le SVM est utilisé afin d’établir la relation entre les mesures d’intensité des sollicitations sismiques et le comportement structural. Les courbes de fragilité sont développées par la technique de PSVM (Probabilistic Support Vector Machines). Finalement, la performance de la procédure est évaluée pour des analyses basées sur une approche multi-variable pour la caractérisation des sollicitations sismiques ainsi que sur les analyses traditionnelles à une variable.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".