Reliability Assessment of Machine Learning Methods in Seismic Damage Detection of Reinforced Concrete Buildings
- سال انتشار: 1403
- محل انتشار: اولین کنفرانس بین المللی تبادل اطلاعات علمی در زمینه مصالح و سازه های بتنی
- کد COI اختصاصی: ICCNC01_030
- زبان مقاله: انگلیسی
- تعداد مشاهده: 56
نویسندگان
Islamic Azad University Central Tehran Branch, Tehran, Iran
Islamic Azad University Central Tehran Branch, Tehran, Iran
Sharif University of Technology, Tehran, Iran,
چکیده
Machine learning (ML) techniques, have surfaced as a prospective option for identifyingdamage recently. They excel in swiftly, precisely, and automatically handling extensive datasetsfrom various origins. Evaluating the effectiveness of diverse ML techniques has become essentialdue to the growing adoption of ML in damage identification in structures. These evaluations setstandards for assessing alternative methods and reveal perspectives on the fundamental data andstructures. The current study investigated two ML classifiers: Random Forests (RF) and SupportVector Machine (SVM). The primary objective was to detect damage grades in reinforced concrete(RC) buildings in Nepal, Ecuador, Haiti, and South Korea. Moreover, a new metric was introducedto evaluate the "reliability" of outcomes derived from ML, focusing on the probability ofmisidentifying grades of damage. This approach contributes to a deeper comprehension of thereliability of ML outcomes. Findings demonstrated the superior efficacy of the RF classifier,outperforming the SVM classifier in accuracy across three datasets. The reliability metric indicatedaverage reliabilities of ۸۲% for RF and ۷۸% for SVM. This research underscores the efficacy ofML techniques, specifically highlighting the RF classifier's reliability in damage detection of RCbuildings.کلیدواژه ها
Damage Detection – Machine Learning – Reliability – RC buildingsمقالات مرتبط جدید
- بررسی اثر نانو سیلیس بر مقاومت بتن های قلیا فعال در انجماد و یخ زدگی متوالی
- بررسی تاثیر استفاده از ترکیب سیستم های دیوار دیافراگمی و مهاربند پیش تنیده (انکراژ) درپایدارسازی گودبرداری های عمیق در شهر اهواز
- Analyzing Traffic Signal Delay Models in Tehran Network: A Comprehensive Examination under Varied Traffic Conditions via the Complementary Algorithm
- مقایسه ی تحلیلی بر مدل های تاخیر چراغ راهنمایی تحت شرایط زیر اشباع و فوق اشباع برروی شبکه تهران با استفاده از الگوریتم تکمیلی
- بازشناسی رویکردهای سازه ای و آرایه های تزئینی بناهای عبادی گوتیگ در قیاس با مبانیمعماری اسلامی در ایران هم عصر
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.