Prediction of seismic-induced structural damage using Machine Learning

Prediction of seismic-induced structural damage using Machine Learning

Mohammad Raisinejad1 Alireza Nezhadsmaeel Tavala2

1) sharerey Azad University.iran tehran
2) Department of Civil Engineering, Birjand University of Technology, Birjand, Iran

IOI Code : XGFC-KBBAA
محل انتشار : هشتمین کنفرانس بین المللی پژوهش در علوم و مهندسی و پنجمین کنگره بین المللی عمران، معماری و شهرسازی آسیا(8icrsie.com)
Abstract :
    پیش‌بینی آسیب سازه‌ای ناشی از لرزه نقش مهمی در ارزیابی آسیب‌پذیری ساختمان‌ها و تضمین ایمنی ساکنان در هنگام زلزله دارد. در این مقاله، ما یک مدل پیش‌بینی بر اساس الگوریتم K-Nearest Neighbors (KNN) برای پیش‌بینی دقیق سطح آسیب ساختاری ناشی از رویدادهای لرزه‌ای پیشنهاد می‌کنیم. این مطالعه با جمع آوری یک مجموعه داده جامع که شامل اطلاعات مرتبط در مورد رویدادهای لرزه ای، ویژگی های ساختمان و شدت آسیب است، آغاز می شود. مجموعه داده برای رسیدگی به مقادیر گمشده، پرت ها و عادی سازی ویژگی های عددی از پیش پردازش شده است. تکنیک‌های انتخاب ویژگی برای شناسایی تأثیرگذارترین ویژگی‌هایی که به شدت با آسیب‌های ساختاری مرتبط هستند، استفاده می‌شوند. سپس مجموعه داده به مجموعه های آموزشی و آزمایشی تقسیم می شود و مجموعه آموزشی برای آموزش مدل KNN استفاده می شود. الگوریتم KNN فاصله بین یک نقطه داده معین و k نزدیکترین همسایه آن را در مجموعه آموزشی محاسبه می کند و برچسب کلاس اکثریت را به نقطه داده ورودی اختصاص می دهد. مدل با استفاده از معیارهای مختلف عملکرد، از جمله دقت، دقت، یادآوری، و نمره F1، در مجموعه تست ارزیابی می‌شود. برای بهینه سازی مدل KNN، تنظیم هایپرپارامتر با آزمایش مقادیر مختلف k انجام می شود. پیکربندی بهینه بر اساس بالاترین دقت پیش بینی به دست آمده تعیین می شود. سپس مدل KNN آموزش‌دیده و بهینه‌شده برای پیش‌بینی سطح آسیب سازه‌ای برای رویدادهای لرزه‌ای جدید استفاده می‌شود.

Keywords : پیش بینی آسیب knn آموزش مدل