0
  • DE
  • EN
  • FR
  • Base de données et galerie internationale d'ouvrages d'art et du génie civil

Publicité

Predicting Topographic Effect Multipliers in Complex Terrain With Shallow Neural Networks

Auteur(s):





Médium: article de revue
Langue(s): anglais
Publié dans: Frontiers in Built Environment, , v. 8
DOI: 10.3389/fbuil.2022.762054
Abstrait:

This study applies computationally efficient shallow neural networks to predict topographic effect multipliers directly from digital elevation data obtained from complex terrain, such as mountainous areas. Data were obtained from boundary layer wind tunnel (BLWT) modeling of surface wind flow over six regions in mainland Puerto Rico and its municipal islands. The results demonstrate an improvement over linear regression models, even for computationally efficient low neuron count and single hidden layer models. The paper proposes the development of a global BLWT data atlas to inform development of methods to predict topographic wind speedup for a diverse range of topography and surface roughness conditions. It also identifies knowledge gaps that could prevent standardization of data collected from different BLWT experimental designs.

Copyright: © J. X. Santiago-Hernández, A. Román Santiago, R. A. Catarelli, B. M. Phillips, L. D. Aponte-Bermúdez, F. J. Masters
License:

Cette oeuvre a été publiée sous la license Creative Commons Attribution 4.0 (CC-BY 4.0). Il est autorisé de partager et adapter l'oeuvre tant que l'auteur est crédité et la license est indiquée (avec le lien ci-dessus). Vous devez aussi indiquer si des changements on été fait vis-à-vis de l'original.

  • Informations
    sur cette fiche
  • Reference-ID
    10680772
  • Publié(e) le:
    18.06.2022
  • Modifié(e) le:
    10.11.2022
 
Structurae coopère avec
International Association for Bridge and Structural Engineering (IABSE)
e-mosty Magazine
e-BrIM Magazine