Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Neural network ensemble-based sensitivity analysis in structural engineering: Comparison of selected methods and the influence of statistical correlation

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26110%2F21%3APU137898" target="_blank" >RIV/00216305:26110/21:PU137898 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.sciencedirect.com/science/article/pii/S0045794920301796" target="_blank" >https://www.sciencedirect.com/science/article/pii/S0045794920301796</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1016/j.compstruc.2020.106376" target="_blank" >10.1016/j.compstruc.2020.106376</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Neural network ensemble-based sensitivity analysis in structural engineering: Comparison of selected methods and the influence of statistical correlation

  • Popis výsledku v původním jazyce

    Surrogate model-based sensitivity analysis, especially framed by neural network ensemble (NNE), is an attractive but unresolved issue in structural reliability assessment. In this paper, differing from existing studies, an overview and assessment of typical methods for surrogate model-based parameter sensitivity analysis, namely the input perturbation method, the local analysis of variance, the connection weight method, the non-parametric Spearman rank-order correlation method, and the Sobol indices method, are performed and demonstrated on three illustrative cases of increasing complexity: a simple theoretical instance, an engineering case of midspan deflection of a simply-supported beam, and a real-world practical application of shear failing in a precast concrete girder. Through comprehensive comparisons, several findings are obtained as follows: (i) the NNE is testified a superior surrogate model for sensitivity analysis to a single artificial neural network; (ii) robustness and accuracy of an NNE in sensitivity analysis are demonstrated; (iii) the properties of these parameter sensitivity analysis methods are fully clarified with distinguished merits and limitations; (iv) mechanism of local- and global- sensitivity analysis methods is revealed; and (v) the strategy for sensitivity analysis of correlated descriptive variables are elaborated to address the impact of correlation among random variables in engineering systems. (C) 2020 Elsevier Ltd. All rights reserved.

  • Název v anglickém jazyce

    Neural network ensemble-based sensitivity analysis in structural engineering: Comparison of selected methods and the influence of statistical correlation

  • Popis výsledku anglicky

    Surrogate model-based sensitivity analysis, especially framed by neural network ensemble (NNE), is an attractive but unresolved issue in structural reliability assessment. In this paper, differing from existing studies, an overview and assessment of typical methods for surrogate model-based parameter sensitivity analysis, namely the input perturbation method, the local analysis of variance, the connection weight method, the non-parametric Spearman rank-order correlation method, and the Sobol indices method, are performed and demonstrated on three illustrative cases of increasing complexity: a simple theoretical instance, an engineering case of midspan deflection of a simply-supported beam, and a real-world practical application of shear failing in a precast concrete girder. Through comprehensive comparisons, several findings are obtained as follows: (i) the NNE is testified a superior surrogate model for sensitivity analysis to a single artificial neural network; (ii) robustness and accuracy of an NNE in sensitivity analysis are demonstrated; (iii) the properties of these parameter sensitivity analysis methods are fully clarified with distinguished merits and limitations; (iv) mechanism of local- and global- sensitivity analysis methods is revealed; and (v) the strategy for sensitivity analysis of correlated descriptive variables are elaborated to address the impact of correlation among random variables in engineering systems. (C) 2020 Elsevier Ltd. All rights reserved.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    20102 - Construction engineering, Municipal and structural engineering

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    COMPUTERS & STRUCTURES

  • ISSN

    0045-7949

  • e-ISSN

    1879-2243

  • Svazek periodika

    242

  • Číslo periodika v rámci svazku

    1

  • Stát vydavatele periodika

    GB - Spojené království Velké Británie a Severního Irska

  • Počet stran výsledku

    19

  • Strana od-do

    1-19

  • Kód UT WoS článku

    000580652800010

  • EID výsledku v databázi Scopus