論文の概要: Machine Learning-Based Assessment of Energy Behavior of RC Shear Walls
- arxiv url: http://arxiv.org/abs/2111.08295v1
- Date: Tue, 16 Nov 2021 08:38:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-18 00:30:02.384710
- Title: Machine Learning-Based Assessment of Energy Behavior of RC Shear Walls
- Title（参考訳）: 機械学習によるRCせん断壁のエネルギー挙動評価
- Authors: Berkay Topaloglu, Gulsen Taskin Kaya, Fatih Sutcu, Zeynep Tuna Deger
(Istanbul Technical University)
- Abstract要約: 本研究では, 高耐震域で広く利用されている鉄筋コンクリート(RC)せん断壁のエネルギー散逸能力に着目した。
せん断壁のエネルギー散逸能力に関する機械学習に基づく予測モデルを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current seismic design codes primarily rely on the strength and displacement
capacity of structural members and do not account for the influence of the
ground motion duration or the hysteretic behavior characteristics. The
energy-based approach serves as a supplemental index to response quantities and
includes the effect of repeated loads in seismic performance. The design
philosophy suggests that the seismic demands are met by the energy dissipation
capacity of the structural members. Therefore, the energy dissipation behavior
of the structural members should be well understood to achieve an effective
energy-based design approach. This study focuses on the energy dissipation
capacity of reinforced concrete (RC) shear walls that are widely used in high
seismic regions as they provide significant stiffness and strength to resist
lateral forces. A machine learning (Gaussian Process Regression (GPR))-based
predictive model for energy dissipation capacity of shear walls is developed as
a function of wall design parameters. Eighteen design parameters are shown to
influence energy dissipation, whereas the most important ones are determined by
applying sequential backward elimination and by using feature selection methods
to reduce the complexity of the predictive model. The ability of the proposed
model to make robust and accurate predictions is validated based on novel data
with a prediction accuracy (the ratio of predicted/actual values) of around
1.00 and a coefficient of determination (R2) of 0.93. The outcomes of this
study are believed to contribute to the energy-based approach by (i) defining
the most influential wall properties on the seismic energy dissipation capacity
of shear walls and (ii) providing predictive models that can enable comparisons
of different wall design configurations to achieve higher energy dissipation
capacity.
- Abstract（参考訳）: 現在の耐震設計法は主に構造部材の強度と変位能力に依存しており、地盤の運動時間やヒステリックな挙動特性の影響は考慮していない。
エネルギーに基づくアプローチは、応答量の補足指標として機能し、地震性能における繰り返し負荷の影響を含む。
設計哲学は、地震の要求は構造部材のエネルギー散逸能力によって満たされることを示唆している。
したがって、構造部材のエネルギー散逸挙動は、効率的なエネルギーベース設計アプローチを実現するためによく理解されるべきである。
本研究は, 鉄筋コンクリート(rc)せん断壁のエネルギー散逸能力に着目し, 横力に強い剛性と強度を与えるため, 高震域で広く利用されている。
壁面設計パラメータの関数として, 機械学習(ガウスプロセス回帰(GPR))に基づくせん断壁のエネルギー散逸能力予測モデルを開発した。
18個の設計パラメータがエネルギー散逸に影響を与えることが示されているが、最も重要なものは逐次的な逆退化と、予測モデルの複雑さを減らすために特徴選択法を用いて決定される。
予測精度(予測値/実値の比)が1.00、決定係数(r2)が0.93の新規データに基づいて、ロバストで正確な予測を行うための提案モデルの能力を検証する。
この研究の成果はエネルギーベースのアプローチに寄与していると信じられている。
(i)せん断壁の地震エネルギー散逸能力に最も影響のある壁特性を定めること、及び
(ii) 異なる壁設計構成の比較が可能となる予測モデルを提供し、より高いエネルギー散逸能力を達成すること。
関連論文リスト
- A physics-informed machine learning model for reconstruction of dynamic
loads [0.0]
本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。
このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。
開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
論文 参考訳（メタデータ） (2023-08-15T18:33:58Z) - On Feature Diversity in Energy-based Models [98.78384185493624]
エネルギーベースモデル(EBM)は通常、異なる特徴の組み合わせを学習し、入力構成ごとにエネルギーマッピングを生成する内部モデルによって構成される。
EBMのほぼ正しい(PAC)理論を拡張し,EBMの性能に及ぼす冗長性低減の影響を解析した。
論文 参考訳（メタデータ） (2023-06-02T12:30:42Z) - Energy Transformer [64.22957136952725]
我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。
本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-14T18:51:22Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳（メタデータ） (2022-04-19T10:51:00Z) - Learning Generative Vision Transformer with Energy-Based Latent Space
for Saliency Prediction [51.80191416661064]
本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。
ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。
生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
論文 参考訳（メタデータ） (2021-12-27T06:04:33Z) - Glass-box model representation of seismic failure mode prediction for
conventional RC shear walls [0.0]
本研究では,従来の鉄筋コンクリートせん断壁の耐震破壊モードを予測するためのガラス箱分類モデルを提案する。
モデル複雑性とモデル解釈可能性のトレードオフを8つの機械学習(ML)手法を用いて検討した。
提案モデルは, 耐震性能評価において, 解釈可能, 堅牢, 迅速な予測を可能にすることを目的としている。
論文 参考訳（メタデータ） (2021-11-12T10:21:54Z) - Comparison of Optical Response from DFT Random Phase Approximation and
Low-Energy Effective Model: Strained Phosphorene [0.0]
低エネルギー有効モデルと密度汎関数理論(DFT)の両方を用いて分散誘電率テンソルを比較して比較する。
この結果から, 広く使用されているDFTパッケージのランダム位相近似は, 信頼性の高い材料の基本電子特性を予測できるように再検討し, 改善することが示唆された。
論文 参考訳（メタデータ） (2021-09-01T18:00:06Z) - Bi-Level Poisoning Attack Model and Countermeasure for Appliance
Consumption Data of Smart Homes [1.433758865948252]
本稿では,家電製品から得られるエネルギー使用量の回帰モデルにバイレベル中毒が及ぼす影響について検討する。
攻撃と防御はベンチマークデータセットで評価される。
論文 参考訳（メタデータ） (2021-07-01T00:40:01Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳（メタデータ） (2020-10-09T14:18:31Z) - Data-driven optimization of building layouts for energy efficiency [0.0]
本稿では,この関係に基づいて照明システムのエネルギー消費をシミュレーションし,照明ゾーンエネルギーをゾーンレベルの占有動態に関連付ける手法を提案する。
本研究は, 利用者の日程の不均質な行動が, 高可制御性照明システムのエネルギー消費と正の相関関係があることを事例として明らかにした。
さらに,データ駆動型シミュレーションにより,165人からなる実オフィススペースの既設レイアウトと比較して,ナイーブなクラスタリングに基づく最適化と遺伝的アルゴリズムがエネルギー消費を約5%削減するレイアウトを生成することがわかった。
論文 参考訳（メタデータ） (2020-07-24T22:58:16Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。