Neural network modelling of properties of cement-based materials demystified
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Engineers often have to deal with materials of ill-defined behaviour such as cement-based materials in order to perform special design tasks. There is usually great difficulty in predicting the engineering properties of such materials due to various factors, including their non-homogeneous nature, their composite behaviour with dissimilar ingredients and sometimes the dual and/or contradictory effects of some components on the overall performance. Until recently, the methods used to predict the engineering properties of cement-based materials have been based mainly on statistical and mathematical models, which in turn are derived from human observation, empirical relationships and assumptions with limited ability to account for the effects of and interaction between all variables involved. An alternative approach, termed artificial neural networks (ANNs), has recently emerged in different engineering fields as a popular tool to predict the behaviour of materials. Due to the relatively recent adoption of ANNs for modelling the behaviour of cement-based materials, a good understanding of its fundamental basis and a critical assessment of its performance are essential. This paper examines the most widely used ANNs in materials modelling (the feed-forward, back-propagation (FFBP) neural networks). Guidelines for building, training, and validating such networks are provided. A critical assessment is presented of the effects of various parameters on the training and performance of FFBP networks and their use as an alternative approach to traditional modelling methods is evaluated through a case study. Recommendations are made to optimise the performance of ANNs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle