MARC

 008250123s2024        us                              c    eng  d
■001000017164882
■00520250211153058
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346382072
■035    ▼a(MiAaPQ)AAI31652042
■035    ▼a(MiAaPQ)Stanfordcr344sz7061
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a790
■1001  ▼aIssa,  Omar.
■24510▼aEngineering  Modeling  for  Assessing  and  Optimizing  Seismic  Resilience
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a178  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Baker,  Jack.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aA  study  by  FEMA  suggests  that  20-40%  modern  code-conforming  buildings  would  be  unfit  for  re-occupancy  following  a  major  earthquake  (taking  months  or  years  to  repair)  and  an  additional  15-20%  would  be  rendered  irreparable  (FEMA,  2018).  The  increasing  human  and  economic  exposure  in  seismically  active  regions  emphasizes  the  urgent  need  to  bridge  the  gap  between  national  seismic  design  provisions  (which  do  not  consider  time  to  recovery)  and  community  resilience  goals.  Using  current  design  provisions,  many  at-risk  communities  will  struggle  to  (i)  meet  recovery  time  goals  (e.g.,  SPUR,  2009),  and  (ii)  control  economic  loss,  with  recent  estimates  placing  the  national  expected  annual  loss  from  earthquakes  at  $14.7  billion  (FEMA-USGS,  2023).To  address  this  issue,  functional  recovery  has  been  proposed  as  a  building  performance  objective  that  explicitly  links  design  with  organizational-  or  community-level  resilience  goals  (EERI,  2019).  Buildings  designed  for  functional  recovery  are  expected  to  recover  their  basic,  tenant-specific  functions  in  target  time,  Ttarget,and  would  implicitly  satisfy  existing  life  safety  objectives.  Research  in  the  area  of  performance-based  engineering,  coupled  with  the  emergence  of  enabling  software  (e.g.,PELICUN  (Zsarnoczay  and  Deierlein,  2020)  and  SP3  (HB-Risk,  2023a))  has  enabled  numerous  early  adoptions  of  recovery-based  design  by  individual  owners  (e.g.,  Zimmerman  and  Herdrich,  2022;  Mar  and  Aher,  2022;  Forell/Elsesser  Engineers,  2018).While  this  progress  is  promising,  selecting  appropriate  performance  objectives  and  identifying  optimal  design  strategies  to  achieve  them  remain  challenging.  This  dissertation  presents  novel  frameworks  for  evaluating  recovery-based  performance  objectives  and  efficiently  optimizing  building  designs  to  meet  lifetime  functional  recovery  targets.First,  procedures  for  selecting  and  evaluating  recovery-based  performance  objectives  are  proposed.  Various  considerations  for  defining  performance  goals  are  explored,  including  benefit-cost  analysis,  revealed  preferences,  and  expressed  preferences.  Correlation  analyses  across  a  large  building  set  illustrate  how  designs  achieving  identical  targets  for  one  lifetime  risk  metric  may  differ  significantly  in  others.  Fragility  analyses  demonstrate  that  checking  procedures  utilizing  conditional  probabilities  of  failure  (where  failure  is  defined  as  excessive  functional  recovery  time)  between  0.10  and  0.20  provide  a  reliable  indication  of  achieving  the  target  lifetime  downtime  risk.  This  finding,  which  is  agnostic  to  the  lifetime  risk  target  selected,  informs  the  development  of  effective  design  evaluation  methods.Next,  a  machine  learning-based  optimization  framework  is  developed  to  rapidly  identify  optimal  design  improvements  for  building-specific  recovery  time  targets.  Surrogate  models  are  trained  on  high-fidelity  simulations  to  enable  efficient  exploration  of  the  design  space,  providing  over  1.5  million  times  speedup  compared  to  traditional  simulation-based  optimization.  The  framework  is  applied  to  a  case  study  office  building,  revealing  the  influence  of  target  recovery  time  on  the  efficacy  of  structural  and  non-structural  enhancements.  Techniques  for  reducing  computational  costs  associated  with  generating  surrogate  model  training  data  are  also  investigated.Finally,  the  optimization  framework  is  extended  to  consider  lifetime  functional  recovery  performance.  A  comparative  study  on  steel  moment  frame  buildings  demonstrates  that  designing  for  expected  annual  downtime  yields  the  most  efficient  lifetime-targeted  designs,  regardless  of  the  specific  target  value.  The  study  also  highlights  the  importance  of  verifying  that  lifetime-based  design  does  not  compromise  performance  at  specific  intensities  of  concern.The  methodologies  and  insights  presented  in  this  dissertation  support  the  development  of  recovery-based  seismic  design  provisions  and  enable  the  optimization  of  individual  building  designs  for  enhanced  post-earthquake  recovery  performance.
■590    ▼aSchool  code:  0212.
■650  4▼aDesign  optimization
■650  4▼aEarthquakes
■650  4▼aBuilt  environment
■650  4▼aSeismic  engineering
■650  4▼aEngineers
■650  4▼aDesign
■650  4▼aGeophysics
■650  4▼aStatistics
■690    ▼a0389
■690    ▼a0467
■690    ▼a0373
■690    ▼a0463
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164882▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서