論文の概要: Classification of Buildings' Potential for Seismic Damage by Means of
Artificial Intelligence Techniques
- arxiv url: http://arxiv.org/abs/2205.01076v1
- Date: Wed, 6 Apr 2022 15:32:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-18 02:25:36.227177
- Title: Classification of Buildings' Potential for Seismic Damage by Means of
Artificial Intelligence Techniques
- Title（参考訳）: 人工知能による建築物の耐震性能の分類
- Authors: Konstantinos Kostinakis, Konstantinos Morfidis, Konstantinos
Demertzis, Lazaros Iliadis
- Abstract要約: 分類アルゴリズムの実装には、大規模なトレーニングデータセットが使用される。
地震被害のレベルは最大層間ドリフト比で表される。
抽出された最も重要な結論は、機械学習の手法が、最も洗練された現実世界の問題を解くのに使えることである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Developing a rapid, but also reliable and efficient, method for classifying
the seismic damage potential of buildings constructed in countries with regions
of high seismicity is always at the forefront of modern scientific research.
Such a technique would be essential for estimating the pre-seismic
vulnerability of the buildings, so that the authorities will be able to develop
earthquake safety plans for seismic rehabilitation of the highly
earthquake-susceptible structures. In the last decades, several researchers
have proposed such procedures, some of which were adopted by seismic code
guidelines. These procedures usually utilize methods based either on simple
calculations or on the application of statistics theory. Recently, the increase
of the computers' power has led to the development of modern statistical
methods based on the adoption of Machine Learning algorithms. These methods
have been shown to be useful for predicting seismic performance and classifying
structural damage level by means of extracting patterns from data collected via
various sources. A large training dataset is used for the implementation of the
classification algorithms. To this end, 90 3D R/C buildings with three
different masonry infills' distributions are analysed utilizing Nonlinear Time
History Analysis method for 65 real seismic records. The level of the seismic
damage is expressed in terms of the Maximum Interstory Drift Ratio. A large
number of Machine Learning algorithms is utilized in order to estimate the
buildings' damage response. The most significant conclusion which is extracted
is that the Machine Learning methods that are mathematically well-established
and their operations that are clearly interpretable step by step can be used to
solve some of the most sophisticated real-world problems in consideration with
high accuracy.
- Abstract（参考訳）: 高震度地域を有する国で建造された建築物の地震被害電位を迅速かつ信頼性が高く、かつ効率的に分類する方法の開発は、現代科学研究の最前線である。
このような手法は、地震前の建物の脆弱性を推定するために不可欠であり、高い耐震性構造物の地震復旧のための地震安全計画を開発することができる。
過去数十年間、何人かの研究者がそのような手順を提案しており、その一部は地震法ガイドラインで採用されている。
これらの手続きは通常、単純な計算または統計理論の適用に基づく方法を用いる。
近年,コンピュータのパワー向上により,機械学習アルゴリズムを応用した現代的な統計手法の開発が進んでいる。
これらの手法は, 各種情報源から収集したデータからパターンを抽出し, 耐震性能を予測し, 構造損傷レベルを分類するのに有用であることが示された。
分類アルゴリズムの実装には大規模なトレーニングデータセットが使用される。
この目的のために,65個の実地震記録の非線形時間履歴解析手法を用いて,3種類の石造インフィル分布を有する90棟の3次元r/c建物を解析した。
地震被害のレベルは、最大層間ドリフト比で表される。
建物の損傷応答を推定するために、多数の機械学習アルゴリズムが使用されている。
抽出された最も重要な結論は、数学的に確立された機械学習手法と、ステップごとに明確に解釈可能な操作は、高精度に考慮し、最も洗練された現実世界の問題を解くのに利用できるということである。
関連論文リスト
- RECOVAR: Representation Covariances on Deep Latent Spaces for Seismic Event Detection [0.0]
生波形から地震を検出することを学習する地震検出の教師なし手法を開発した。
パフォーマンスは、いくつかの最先端の教師付きメソッドと同等であり、場合によっては同等である。
このアプローチは、他のドメインからの時系列データセットに有用である可能性がある。
論文 参考訳（メタデータ） (2024-07-25T21:33:54Z) - Controllable seismic velocity synthesis using generative diffusion models [4.2193475197905705]
本研究では, 地震波速度合成のための条件付き生成拡散モデルを提案する。
このアプローチは、予測された目標分布と密接に一致する地震波速度の生成を可能にする。
OpenFWIデータセット上での拡散モデルのトレーニングにより,本手法の柔軟性と有効性を示す。
論文 参考訳（メタデータ） (2024-02-09T09:41:26Z) - Predicted Embedding Power Regression for Large-Scale Out-of-Distribution
Detection [77.1596426383046]
本研究では,学習過程において学習したラベル分布に基づいて,予測されたクラスラベルの確率を計算する手法を開発した。
提案手法は,計算コストの最小化のみで,現在の最先端手法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2023-03-07T18:28:39Z) - A Comprehensive Study on Robustness of Image Classification Models:
Benchmarking and Rethinking [54.89987482509155]
ディープニューラルネットワークのロバスト性は、通常、敵の例、共通の腐敗、分散シフトに欠けている。
画像分類タスクにおいてtextbfARES-Bench と呼ばれる総合的なベンチマークロバスト性を確立する。
それに応じてトレーニング設定を設計することにより、新しい最先端の対人ロバスト性を実現する。
論文 参考訳（メタデータ） (2023-02-28T04:26:20Z) - Classification of structural building damage grades from multi-temporal
photogrammetric point clouds using a machine learning model trained on
virtual laser scanning data [58.720142291102135]
実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。
我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。
このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
論文 参考訳（メタデータ） (2023-02-24T12:04:46Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - A Comparative Evaluation of Machine Learning Algorithms for the
Prediction of R/C Buildings' Seismic Damage [0.0]
本稿では,R/C建築物の耐震性を予測するため,各種機械学習アルゴリズムの有効性を広範囲に評価する。
大規模な比較研究は、最も効率的な機械学習アルゴリズムによって利用される。
実験の結果,LightGBMアプローチはトレーニングの安定性,総合性能,決定係数を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2022-03-25T05:10:14Z) - Interpretability in Convolutional Neural Networks for Building Damage
Classification in Satellite Imagery [0.0]
我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。
複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。
我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
論文 参考訳（メタデータ） (2022-01-24T16:55:56Z) - Towards advancing the earthquake forecasting by machine learning of
satellite data [22.87513332935679]
本研究では,6マグニチュード以上の1,371地震の衛星データに基づく短期予測を行うための新しい機械学習手法であるInverse Boosting Pruning Trees(IBPT)を開発した。
提案手法は,選択された6つのベースラインを上回り,異なる地震データベースの地震予測の可能性を向上する強力な能力を示す。
論文 参考訳（メタデータ） (2021-01-31T02:29:48Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳（メタデータ） (2020-04-15T19:52:09Z)
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。