新的ANOVA-统计缩小深度完全连接的神经网络用于地震后建筑物的损坏程度预测
K R Sri Preethaa1,2, Shyamala Devi Munisamy3, Aruna Rajendran3
1Department of Robot and Smart System Engineering, Kyungpook National University, 80, Daehak-ro, Buk-gu, Daegu 41566, Republic of Korea.
Sensors (Basel, Switzerland)
|July 29, 2023
概括
准确分类地震建筑损坏至关重要. 一个新的ANOVA-Statistic-Reduced深度完全连接的神经网络 (ASR-DFCNN) 模型实现了98%的准确性,大大改善了地震损害评估的传统方法.
科学领域:
- 结构工程 结构工程
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 由于环境不确定性,对建筑物的地震损害评估是复杂的.
- 准确和及时的损坏分级对于有效的维修和事故预防至关重要.
- 目前用于损害分类的方法耗时且劳动密集.
研究的目的:
- 开发一个准确的模型来对混凝土建筑物进行地震损害等级分类.
- 通过有效的特征选择,提高损害预测的准确性.
- 引入一种新的ANOVA-统计减少深度完全连接神经网络 (ASR-DFCNN) 模型.
主要方法:
- 利用了26个属性的762,106座受损建筑物的数据集.
- 应用差异分析 (ANOVA) 用于特征选择,其次是主要组件分析 (PCA) 以减少维度.
- 开发并实施ASR-DFCNN模型,使用连续的Keras架构与ReLU和tanh激活函数,NADAM优化器和L2规范化.
主要成果:
- 没有特征选择的初始ML分类器显示性能较低.
- 包装分类器在减少的数据集上实现了83%的准确性.
- 拟议的ASR-DFCNN模型表现出卓越的性能,在损坏等级分类中达到98%的准确性.
结论:
- 特征选择显著提高了地震损害等级分类的准确性.
- ASR-DFCNN模型提供了一个非常准确和高效的方法来评估地震引起的建筑损坏.
- 这种人工智能驱动的方法为改善地震后应对和安全提供了有希望的解决方案.
