.png){kind=icon}
返回
Machine learning enhanced bridge vulnerability quantification under rockfall hazards
.png){kind=icon}
PRE
AI
DOI：10.1016/j.enggeo.2025.108066.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
崩塌灾害对山区桥梁安全构成严重威胁。尽管现有研究通常将地质灾害分析与结构易损性评估分离，导致风险评估不准确。尽管在崩塌轨迹建模和结构冲击模拟方面取得了进展，但这两大学科的有限整合阻碍了在动态崩塌场景下对桥梁失效风险的精确量化，进而导致结构损伤特征和失效风险的评估不准确。本研究提出了一种结合地质灾害分析的机器学习（ML）辅助框架，用于评估桥梁失效风险。首先，利用崩塌灾害模拟和集成ML方法构建了崩塌冲击参数的高维联合分布模型。其次，采用XGBoost算法开发了评估桥梁剩余承载力的代理模型。模型训练数据集来自有限元重启分析方法和表格生成对抗网络（TGAN）增广。采用蒙特卡洛采样（MCs）对桥梁风险进行精确量化，利用冲击参数的高维联合分布以及剩余性能评估的代理模型。地质-结构联合框架能够针对特定场地坡度和桥梁配置进行快速风险评估，为基础设施韧性提供可操作的见解。
Keyword:
Rockfall disaster
Bridge structure
Impact effect
Failure risk
Machine learning
Surrogate model
期刊
IF:
8.4
论文数:
6.7K
被引数:
3.8W
机构
引用论文
Multifidelity approach for data-driven prediction models of structural behaviors with limited data
PREAI
分享收藏Machine Learning for Risk and Resilience Assessment in Structural Engineering: Progress and Future Trends用于结构工程风险和弹性评估的机器学习: 进展和未来趋势
PREAI
分享收藏Active learning for structural reliability: Survey, general framework and benchmark结构可靠性的主动学习: 调查，一般框架和基准.png)
STRUCTURAL SAFETY
OAAI
STRUCTURAL SAFETYIF6.3
OAAI分享收藏Probabilistic seismic restoration cost estimation for transportation infrastructure portfolios with an emphasis on curved steel I-girder bridgesSTRUCTURAL SAFETY
STRUCTURAL SAFETYIF6.3
PREAI
分享收藏
查看更多内容