Publication
Machine learning for earthquake damage detection: a comparative analysis of algorithm performance
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | pt_PT |
| dc.contributor.advisor | Gouveia, Feliz Ribeiro | |
| dc.contributor.advisor | Silva, Vítor Emanuel Marta da | |
| dc.contributor.author | Costa, André Manuel Alves | |
| dc.date.accessioned | 2024-02-20T10:25:16Z | |
| dc.date.available | 2024-02-20T10:25:16Z | |
| dc.date.issued | 2023-12-12 | |
| dc.description.abstract | This work aims to analyse and improve the results of machine learning algorithms for estimating damage in buildings following an earthquake, thus enabling rapid post-earthquake assessment to prevent further physical, economic and social damage. Using real datasets, nine algorithms were tested and compared: Ridge Regressor, Lasso Regressor, Support Vector Regressor, Decision Tree, Random Forest, Gradient Boost, Extreme Gradient Boost, Artificial Neural Networks and Multi-layer Perceptron. The key findings of the research resulted in the demonstration of the importance of dataset practicality, while encompassing heterogeneity of buildings, and highlights the positive impact of data transformation on algorithm performance when compared to previous research papers lacking such transformations. Furthermore, it was concluded that the Artificial Neural Network algorithm consistently outperforms others, justifying its academic and practical preference despite the longer training times and reaffirming its significance in earthquake damage prediction. It was possible to assess that other algorithms such as Gradient Boost, Extreme Gradient Boost and Random Forest are acceptable, practical, understandable and reliable alternatives. These findings contribute to the advance of earthquake engineering and highlight the potential of Machine Learning in post-earthquake risk mitigation. | pt_PT |
| dc.description.abstract | Esta dissertação tem por objetivo analisar a eficiência da deteção de danos sísmicos em edifícios, através do teste e comparação de nove algoritmos de Aprendizagem Automática (Ridge Regressor, Lasso Regressor, Support Vetor Regressor, Decision Tree, Random Forest, Gradient Boost, Extreme Gradient Boost, Artificial Neural Networks e Multi-layer Perceptron), permitindo uma rápida avaliação pós-sísmica para prevenir adicionais danos físicos, económicos e sociais. Os principais resultados da pesquisa resultaram na demonstração da importância da praticidade do conjunto de dados utilizados, abrangendo também a heterogeneidade dos edifícios, e destaca o impacto positivo da transformação de dados no desempenho do algoritmo quando comparado com trabalhos de investigação atuais que não contemplam tais transformações. Além disso, concluiu-se que o algoritmo Artificial Neural Network supera consistentemente os outros algoritmos, justificando assim o motivo da sua preferência ao nível acadêmico e profissional, apesar dos prolongados tempos de treinamento requeridos, reafirmando assim a sua importância na previsão de danos causados por treino. Contudo, foi possível determinar que outros algoritmos como Gradient Boost, Extreme Gradient Boost e Random Forest revelaram ser alternativas aceitáveis, práticas, compreensíveis e confiáveis. Estes resultados contribuem para o avanço da engenharia sísmica e sublinham o potencial da Aprendizagem Automática na mitigação do risco pós-sismo. | pt_PT |
| dc.identifier.tid | 203547640 | |
| dc.identifier.uri | http://hdl.handle.net/10284/12677 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Machine learning algorithms | pt_PT |
| dc.subject | Seismic damage detection | pt_PT |
| dc.subject | Earthquake engineering | pt_PT |
| dc.subject | Algoritmos de aprendizagem automática | pt_PT |
| dc.subject | Deteção de danos sísmicos | pt_PT |
| dc.subject | Engenharia sísmica | pt_PT |
| dc.subject | Regressão | pt_PT |
| dc.subject | Redes neuronais | pt_PT |
| dc.title | Machine learning for earthquake damage detection: a comparative analysis of algorithm performance | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia Informática, ramo de Computação Móvel | pt_PT |