論文の概要: Glass-box model representation of seismic failure mode prediction for conventional RC shear walls

• arxiv url: http://arxiv.org/abs/2111.13580v1
• Date: Fri, 12 Nov 2021 10:21:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 03:49:35.441365
• Title: Glass-box model representation of seismic failure mode prediction for conventional RC shear walls
• Title（参考訳）: 従来のRCせん断壁の破壊モード予測のガラス箱モデルによる表現
• Authors: Zeynep Tuna Deger and Gulsen Taskin Kaya (Istanbul Technical University)
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The recent surge in earthquake engineering is the use of machine learning methods to develop predictive models for structural behavior. Complex black-box models are typically used for decision making to achieve high accuracy; however, as important as high accuracy, it is essential for engineers to understand how the model makes the decision and verify that the model is physically meaningful. With this motivation, this study proposes a glass-box (interpretable) classification model to predict the seismic failure mode of conventional reinforced concrete shear (structural) walls. Reported experimental damage information of 176 conventional shear walls tested under reverse cyclic loading were designated as class-types, whereas key design properties (e.g. compressive strength of concrete, axial load ratio, and web reinforcement ratio) of shear walls were used as the basic classification features. The trade-off between model complexity and model interpretability was discussed using eight Machine Learning (ML) methods. The results showed that the Decision Tree method was a more convenient classifier with higher interpretability with a high classification accuracy than its counterparts. Also, to enhance the practicality of the model, a feature reduction was conducted to reduce the complexity of the proposed classifier with higher classification performance, and the most relevant features were identified, namely: compressive strength of concrete, wall aspect ratio, transverse boundary, and web reinforcement ratio. The ability of the final DT model to predict the failure modes was validated with a classification rate of around 90%. The proposed model aims to provide engineers interpretable, robust, and rapid prediction in seismic performance assessment.
• Abstract（参考訳）: 最近の地震工学の急増は、構造行動の予測モデルを開発するための機械学習手法の利用である。 複雑なブラックボックスモデルは、通常、高い正確性を達成するために意思決定に使用されるが、高い正確性と同様に、エンジニアがどのようにモデルが意思決定を行い、モデルが物理的に有意義であるかを検証することが重要である。 本研究は, 従来の鉄筋コンクリートせん断耐震壁の耐震破壊モードを予測するため, ガラス箱(解釈可能)分類モデルを提案する。 逆循環荷重下で試験された176個の従来のせん断壁の損傷情報をクラスタイプに指定し, せん断壁の鍵設計特性(コンクリートの圧縮強度, 軸方向荷重比, ウェブ補強比など)を基本的な分類特性として用いた。 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。 その結果, 決定木法は, 解釈性が高く, 分類精度が高い, より便利な分類器であることが判明した。 また, モデルの実用性を高めるため, 提案した分類器の複雑さを高い分類性能で低減し, 最も関連性の高い特徴として, コンクリートの圧縮強度, 壁面比, 横境界, ウェブ補強比を同定した。 最終DTモデルが障害モードを予測する能力は、約90%の分類率で検証された。 提案モデルは, 耐震性能評価において, 技術者が解釈可能, 堅牢, 迅速な予測を行うことを目的としている。

関連論文リスト

• Is Smoothness the Key to Robustness? A Comparison of Attention and Convolution Models Using a Novel Metric [0.0]
  既存の堅牢性評価アプローチは理論的な一般性を欠いているか、経験的評価に大きく依存していることが多い。 本研究では,トポロジカルデータ解析とリプシッツ連続性を橋渡ししてロバスト性評価を行う層解析に基づくトポリップを提案する。
  論文  参考訳（メタデータ） (2024-10-23T07:44:14Z)
• A Comprehensive Evaluation and Analysis Study for Chinese Spelling Check [53.152011258252315]
  音声とグラフィックの情報を合理的に使用することは,中国語のスペルチェックに有効であることを示す。 モデルはテストセットのエラー分布に敏感であり、モデルの欠点を反映している。 一般的なベンチマークであるSIGHANは、モデルの性能を確実に評価できない。
  論文  参考訳（メタデータ） (2023-07-25T17:02:38Z)
• High Fidelity Image Counterfactuals with Probabilistic Causal Models [25.87025672100077]
  深部構造因果モデルを用いた高忠実度画像反事実の正確な推定のための因果生成モデルフレームワークを提案する。 我々は、因果媒介分析のアイデアと生成モデリングの進歩を活用し、因果モデルにおける構造変数の新しい深い因果機構を設計する。
  論文  参考訳（メタデータ） (2023-06-27T19:28:41Z)
• Knowledge-embedded meta-learning model for lift coefficient prediction of airfoils [25.546237636065182]
  攻撃角度の異なる任意の超臨界翼の昇降係数を求めるために,知識埋め込みメタ学習モデルを開発した。 通常のニューラルネットワークと比較して,提案モデルでは,競合予測精度でより優れた一般化能力を示すことができる。 その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価する傾向が示唆された。
  論文  参考訳（メタデータ） (2023-03-06T02:47:31Z)
• Minimal Value-Equivalent Partial Models for Scalable and Robust Planning in Lifelong Reinforcement Learning [56.50123642237106]
  モデルに基づく強化学習における一般的な実践は、エージェントの環境のあらゆる側面をモデル化するモデルを学ぶことである。 このようなモデルは、生涯にわたる強化学習シナリオにおいて、スケーラブルで堅牢な計画を実行するのに特に適していない、と我々は主張する。 我々は,「最小値部分モデル」と呼ぶ,環境の関連する側面のみをモデル化する新しい種類のモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-24T16:40:01Z)
• Estimate Deformation Capacity of Non-Ductile RC Shear Walls using Explainable Boosting Machine [0.0]
  本研究の目的は,非延性鉄筋コンクリートせん断壁の変形能力を予測するための,完全に説明可能な機械学習モデルを開発することである。 提案された Explainable Boosting Machines (EBM) ベースのモデルは、解釈可能で堅牢で、自然に説明可能なガラス箱モデルであるが、ブラックボックスモデルに匹敵する高い精度を提供する。
  論文  参考訳（メタデータ） (2023-01-11T09:20:29Z)
• ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
  我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。 ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。 実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
  論文  参考訳（メタデータ） (2022-06-24T08:18:05Z)
• Machine learning based surrogate modeling with SVD enabled training for nonlinear civil structures subject to dynamic loading [0.0]
  本稿では,地震を予測するための機械学習に基づく代理モデルフレームワークを提案する。 1階建てと3階建ての建物のピーク応答をうまく予測するために、このフレームワークを用いて検証する。
  論文  参考訳（メタデータ） (2022-06-12T11:57:58Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
  コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。 本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。 このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
  論文  参考訳（メタデータ） (2021-03-18T12:57:34Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)

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。