Data-driven-based models for seismic damage assessment of buildings : using machine learning at a regional scale and in-situ structural monitoring at building scale - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Data-driven-based models for seismic damage assessment of buildings : using machine learning at a regional scale and in-situ structural monitoring at building scale

Modèles basés sur des données pour l'évaluation des dommages sismiques des bâtiments : utilisation de l'apprentissage automatique à l'échelle régionale et de la surveillance structurelle in situ à l'échelle du bâtiment

Subash Ghimire
  • Fonction : Auteur
  • PersonId : 1331083
  • IdRef : 270487115

Résumé

Decision-makers and stakeholders must have quick assessment of potential damage from earthquakes and its distribution to plan for successful emergency response. There are several methods for estimating building damage from earthquakes, but they involve many assumptions associated to a large set of parameters that controls the building response during earthquake, that can add uncertainty. Using real-world data from full-scale observations can help better understand the physical processes involved during seismic loading in building and identify sources of uncertainty in damage estimation. There is now access to a large amount of information describing the real estate building portfolios, collected through post-earthquake damage surveys at regional level and in-situ measurements in building. The objective of this study is to test the effectiveness and relevance of supervised machine learning methods for analyzing spatially distributed seismic damage after an earthquake at the regional scale. Additionally, we aim to quantify uncertainties in building damage assessment at the building-level, using in-situ earthquake data recorded at the top and the bottom floors of buildings.
Les décideurs et les parties prenantes doivent disposer d'une évaluation rapide des dommages potentiels causés par les tremblements de terre et de leur distribution afin de planifier une réponse d'urgence efficace. Il existe plusieurs méthodes pour estimer les dommages causés aux bâtiments par les tremblements de terre, mais elles impliquent de nombreuses hypothèses associées à un large ensemble de paramètres qui contrôlent la réponse du bâtiment pendant le tremblement de terre, ce qui peut ajouter de l'incertitude. L'utilisation de données réelles provenant d'observations à grande échelle peut aider à mieux comprendre les processus physiques impliqués dans la charge sismique des bâtiments et à identifier les sources d'incertitude dans l'estimation des dommages. Il est maintenant possible d'accéder à une grande quantité d'informations décrivant les portefeuilles de bâtiments immobiliers, recueillies par des enquêtes sur les dommages post-séisme au niveau régional et des mesures in situ dans les bâtiments. L'objectif de cette étude est de tester l'efficacité et la pertinence des méthodes d'apprentissage automatique supervisé pour analyser les dommages sismiques spatialement distribués après un tremblement de terre à l'échelle régionale. En outre, nous visons à quantifier les incertitudes dans l'évaluation des dommages au niveau des bâtiments, en utilisant des données sismiques in-situ enregistrées aux étages supérieurs et inférieurs des bâtiments.
Fichier principal
Vignette du fichier
GHIMIRE_2023_diffusion.pdf (22.2 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04370250 , version 1 (03-01-2024)

Identifiants

  • HAL Id : tel-04370250 , version 1

Citer

Subash Ghimire. Data-driven-based models for seismic damage assessment of buildings : using machine learning at a regional scale and in-situ structural monitoring at building scale. Earth Sciences. Université Grenoble Alpes [2020-..], 2023. English. ⟨NNT : 2023GRALU021⟩. ⟨tel-04370250⟩
73 Consultations
11 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More