کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4927764 1431956 2017 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Estimating aftershock collapse vulnerability using mainshock intensity, structural response and physical damage indicators
ترجمه فارسی عنوان
برآورد آسیب پذیری سقوط پس از ضربه با استفاده از شدت اصلی، واکنش ساختاری و شاخص های آسیب فیزیکی
کلمات کلیدی
پسرش آسیب پذیری فروپاشی لرزه ای، مدلسازی آماری، زمین لرزه، ساختمان ها، مهندسی سازه،
ترجمه چکیده
این مقاله مدل های آماری را برای برآورد آسیب پذیری فروپاشی پس از فروپاشی ساختمان ها با استفاده از شدت جریان اصلی، پاسخ ساختاری و شاخص های آسیب فیزیکی توصیف می کند. عملکرد ساختمان های آسیب دیده اصلی به وسیله انجام تجزیه و تحلیل های پویایی افزایشی برای فروپاشی با استفاده از حرکات تدریجی زمین ارزیابی می شود. متغیرهای وابسته به جایگزین پیشنهاد شده است از جمله نسبت احتمال فروپاشی مشروط برای ساختمان های آسیب دیده و آسیب دیده. چالش های ناشی از همبستگی قوی بین پیش بینی کنندگان با استفاده از روش های پیشرفته تر، از جمله بهترین رگرسیون زیر، کمترین انقباض مطلق و اپراتور انتخاب، تجزیه و تحلیل اجزای اصلی و رگرسیون گجای کرج رگه گاوس است. مدل ها براساس دقت و ثبات آنها ارزیابی می شوند و در عین حال با مسائل ناشی از ابعاد بزرگ روبرو هستند. به طور کلی، رگرسیون ریجی گاوس کرنل مطلوبترین مدل بر اساس دقت و ثبات پیش بینیهای آن است. از سه نوع پیش بینی کننده، آنهایی که مربوط به آسیب فیزیکی قابل مشاهده به اجزای سازنده کلیدی می باشند، دقیق ترین و پایدارترین ارقام آسیب پذیری فروپاشی پس لرزه ها را تولید می کنند.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی عمران و سازه
چکیده انگلیسی
This paper describes statistical models for estimating aftershock collapse vulnerability of buildings using mainshock intensity, structural response and physical damage indicators. The performance of mainshock-damaged buildings is assessed by performing Incremental Dynamic Analyses to collapse using sequential ground motions. Alternative dependent variables are suggested including the ratio of the conditional collapse probability for the damaged and intact buildings. Challenges arising from strong correlation among predictors are addressed using more advanced methods, including Best Subset Regression, Least Absolute Shrinkage and Selection Operator, Principal Components Analysis and Gaussian Kernel Ridge Regression. The models are evaluated based on their accuracy and stability while dealing with issues stemming from high dimensionality. Overall, Gaussian Kernel Ridge Regression is the most favorable model based on the accuracy and stability of its predictions. Of the three types of predictors, those related to observable physical damage to key structural components produced the most accurate and stable estimates of aftershock collapse vulnerability.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Structural Safety - Volume 68, September 2017, Pages 85-96
نویسندگان
, , , ,