Data-Driven Modeling of Seismic Energy Dissipation of Rocking Foundations Using Decision Tree-Based Ensemble Machine Learning Algorithms
Data-Driven Modeling of Seismic Energy Dissipation of Rocking Foundations Using Decision Tree-Based Ensemble Machine Learning Algorithms
复制标题
使用基于决策树的集成机器学习算法对摇摆基础的地震能量耗散进行数据驱动建模
DOI：
10.1061/9780784484692.031
复制
发表时间：
2023
期刊：
影响因子：
--
通讯作者：
Bonacci, Alexander
中科院分区：
文献类型：
--
作者：
Gajan, Sivapalan;Banker, Wakeley;Bonacci, Alexander
本研究的目的是利用基于决策树的集成机器学习算法和监督学习技术，建立地震荷载作用下摇摆浅基础地震能量耗散的数据驱动预测模型。从一个摇摆地基数据库中获得的数据，包括在离心机和振动台上进行的动态基座振动实验，用于开发一个基础决策树回归（DTR）模型和四个集成模型：套袋模型、随机森林模型、自适应增强模型和梯度增强模型。基于模型的k-fold交叉验证测试和预测的平均绝对百分比误差，发现与基本DTR模型相比，所有四种集成模型的总体平均精度提高了约25%-37%。在四种集成模型中，梯度增强和自适应增强模型在预测精度和方差方面优于其他两种模型。
The objective of this study is to develop data-driven predictive models for seismic energy dissipation of rocking shallow foundations during earthquake loading using decision tree-based ensemble machine learning algorithms and supervised learning technique. Data from a rocking foundation’s database consisting of dynamic base shaking experiments conducted on centrifuges and shaking tables have been used for the development of a base decision tree regression (DTR) model and four ensemble models: bagging, random forest, adaptive boosting, and gradient boosting. Based on k-fold cross-validation tests of models and mean absolute percentage errors in predictions, it is found that the overall average accuracy of all four ensemble models is improved by about 25%–37% when compared to base DTR model. Among the four ensemble models, gradient boosting and adaptive boosting models perform better than the other two models in terms of accuracy and variance in predictions for the problem considered.
登录
查看更多内容
影响因子：
4.5
作者：
L. Deng;B. Kutter
通讯作者：
L. Deng;B. Kutter
影响因子：
5
作者：
Andreas G. Gavras;B. Kutter;M. Hakhamaneshi;Sivapalan Gajan;A. Tsatsis;K. Sharma;Tetsuya Kohno;L. Deng;I. Anastasopoulos;G. Gazetas
通讯作者：
G. Gazetas
离心机和振动台实验结果表明摇摆系数和临界接触面积比对摇摆基础性能的影响
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
Sivapalan Gajan;S. Soundararajan;Mijia Yang;Damir Akchurin
通讯作者：
Damir Akchurin
摇摆系统在浅层改良砂上的性能：振动台测试
影响因子：
3
作者：
A. Tsatsis;I. Anastasopoulos
通讯作者：
I. Anastasopoulos
使用非参数机器学习算法对摇摆基础的地震能量耗散进行建模
DOI：
--
发表时间：
2021
期刊：
Geotechnics
影响因子：
--
作者：
Sivapalan Gajan
通讯作者：
Sivapalan Gajan