کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6774051 1431952 2018 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A machine learning framework for assessing post-earthquake structural safety
ترجمه فارسی عنوان
یک چارچوب یادگیری ماشین برای ارزیابی ایمنی ساختاری بعد از زلزله
کلمات کلیدی
IDAEngineering demand parameterSpecial moment frameEDPCARTROCSMFPerformance-based assessment - ارزیابی مبتنی بر عملکردDamage pattern - الگوی خسارتSeismic resilience - انعطاف پذیری لرزه ایReinforced concrete - بتن مسلح یا بتن آرمهNonlinear response history analysis - تجزیه و تحلیل تاریخچه پاسخ غیرخطیIncremental dynamic analysis - تجزیه و تحلیل پویا افزایشیRandom forests - جنگ های تصادفیClassification and regression tree - طبقه بندی و درخت رگرسیونPerformance-based earthquake engineering - مهندسی زمین لرزه مبتنی بر عملکردreceiver operating characteristic - گیرنده عامل عاملMachine learning - یادگیری ماشین
ترجمه چکیده
چارچوب یادگیری ماشین برای ارزیابی ایمنی ساختمانی پس از زلزله ارائه شده است. مفاهیم واکنش و الگوهای خسارت معرفی شده و در یک روش سیستماتیک برای تولید یک مجموعه داده قوی برای هر ساختمان آسیب دیده وارد شده اند. تجزیه و تحلیل پویا افزایشی با استفاده از حرکات زمین پیوسته برای ارزیابی ظرفیت فروپاشی باقی مانده ساختار آسیب دیده استفاده می شود. الگوریتم های یادگیری ماشین برای نشان دادن پاسخ و الگوهای آسیب به وضعیت ایمنی سازه (ایمن یا نا امن برای اشغال) ساختمان بر اساس آستانه قابل قبول ظرفیت سقوط باقی مانده استفاده می شود. مدل های پیش بینی شده از جمله طبقه بندی و درخت رگرسیون و جنگل های تصادفی برای شناسایی وضعیت ایمنی ساختمانی ساختمان ساختمان آسیب دیده استفاده می شود. چارچوب پیشنهادی برای یک چهارچوب ساختمانی مخصوص بتنی 4 طبقه ساخته شده است. ساختمان آسیب دیده که به عنوان امن و ناامن شناخته شده است، واضح و واضح است. هنگامی که وضعیت ایمنی با استفاده از پاسخ و الگوهای خسارت ارزیابی می شود، نتایج دقیق پیش بینی 91٪ و 88٪ حاصل می شود. چارچوب پیشنهاد شده می تواند مورد استفاده قرار گیرد تا به سرعت در ارزیابی اینکه آیا یک ساختمان آسیب دیده برای ساختن پس از رویداد لرزه ای اشغال می شود یا خیر، می تواند مورد استفاده قرار گیرد و می تواند به عنوان یک روش زیر در ارزیابی انعطاف پذیری جامعه یا ارزیابی و بهینه سازی عملکرد چرخه عمر انجام شود.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی عمران و سازه
پیش نمایش مقاله
یک چارچوب یادگیری ماشین برای ارزیابی ایمنی ساختاری بعد از زلزله
چکیده انگلیسی
A machine learning framework is presented to assess post-earthquake structural safety. The concepts of response and damage patterns are introduced and incorporated into a systematic methodology for generating a robust dataset for any damaged building. Incremental dynamic analysis using sequential ground motions is used to evaluate the residual collapse capacity of the damaged structure. Machine learning algorithms are used to map response and damage patterns to the structural safety state (safe or unsafe to occupy) of the building based on an acceptable threshold of residual collapse capacity. Predictive models including classification and regression tree and Random Forests are used to probabilistically identify the structural safety state of an earthquake-damaged building. The proposed framework is applied to a 4-story reinforced concrete special moment frame building. Distinct yet partially overlapping response and damage patterns are found for the damaged building classified as safe and unsafe. High prediction accuracies of 91% and 88% are achieved when the safety state is assessed using response and damage patterns respectively. The proposed framework could be used to rapidly evaluate whether a damaged building remains structurally safe to occupy after a seismic event and can be implemented as a subroutine in community resilience evaluation or building lifecycle performance assessment and optimization.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Structural Safety - Volume 72, May 2018, Pages 1-16
نویسندگان
, , , ,