Constructing balanced datasets for predicting failure modes in structural systems under seismic hazards
Jungho Kim, Taeyong Kim
地震激发下对结构失效模式的准确预测对于地震风险和复原力评估至关重要。 传统的基于模拟的方法通常会导致由非故障或经常观察到的失败场景主导的数据集不平衡,限制了基于机器学习的预测的有效性。 为了应对这一挑战,本研究提出了一个框架,用于构建包含不同故障模式的平衡数据集。 该框架包括三个关键步骤。 首先,确定关键地面运动特征(GMO)以有效表示地面运动时间历史。 其次,使用自适应算法来估计关键GEMF和结构参数空间中各种故障域的概率密度。 第三,从这些概率密度生成的样本通过使用缩放因子优化过程转化为地面运动时间历史。 平衡数据集是通过对结构系统进行非线性响应历史分析来构建的,其参数与生成的样本相匹配,并受到相应的地面运动时间历史的影响。 深度神经网络模型在平衡和不平衡的数据集上训练,以突出数据集平衡的重要性。 为了进一步评估该框架的适用性,使用两种不同的结构模型进行数值调查,这些模型受到记录和合成的地面运动的影响。 结果表明,该框架在解决数据集不平衡和改善地震故障模式预测中的机器学习性能方面具有稳健性和有效性。
Accurate prediction of structural failure modes under seismic excitations is essential for seismic risk and resilience assessment. Traditional simulation-based approaches often result in imbalanced datasets dominated by non-failure or frequently observed failure scenarios, limiting the effectiveness in machine learning-based prediction. To address this challenge, this study proposes a framework for constructing balanced datasets that include distinct failure modes. The framework consists of thre...
