...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Bulletin of earthquake engineering >Prediction of lateral spread displacement: Data-driven approaches
【24h】

Prediction of lateral spread displacement: Data-driven approaches

机译：侧向展布位移的预测：数据驱动方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Site seismic hazard (SSH) is an integral component of seismic risk assessment of engineered structures. The SSH encompasses the effect of ground shaking, landslide, and liquefaction. Discernment of liquefaction and lateral spreading vulnerability is a complex and nonlinear procedure that is influenced by model and parameter uncertainty. In this study, nine different data-driven models were investigated to predict the lateral spread displacement over a free-face and ground-slope conditions. These models include: multivariate adaptive regression splines, generalized additive model, neural networks, generalized linear model, robust regression, regression tree, support vector machine, projection pursuit, and random forest. The results demonstrate efficacy of the proposed models for lateral spreading estimation and in general, the random forest showed a better prediction. Sensitivity analysis is also performed to identify parameters that contribute to the model variability.
机译：现场地震灾害（SSH）是工程结构地震风险评估的组成部分。 SSH包含了地面震动，滑坡和液化的作用。液化和横向扩展脆弱性的识别是一个复杂的非线性过程，受模型和参数不确定性的影响。在这项研究中，研究了九种不同的数据驱动模型，以预测在自由面和地面斜坡条件下的横向扩展位移。这些模型包括：多元自适应回归样条，广义加性模型，神经网络，广义线性模型，鲁棒回归，回归树，支持向量机，投影追踪和随机森林。结果证明了所提出的模型对横向扩展估计的有效性，并且一般而言，随机森林显示出更好的预测。还执行灵敏度分析，以识别有助于模型可变性的参数。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号