MétaCan
Menu
Retour à la cohorte
Enregistrement W2122474537 · doi:10.1139/l10-109

Artificial neural network based modeling of the coupled effect of sulphate and temperature on the strength of cemented paste backfill

2010· article· en· W2122474537 sur OpenAlex
L. Orejarena, Mamadou Fall

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.
venuePublié dans une revue dont le pays d'attache est le Canada.

Notice bibliographique

RevueCanadian Journal of Civil Engineering · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueTailings Management and Properties
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesUniversity of Ottawa
Mots-clésCompressive strengthCuring (chemistry)Artificial neural networkMaterials scienceCementEnvironmental scienceComposite materialComputer scienceMachine learning

Résumé

récupéré en direct d'OpenAlex

Among the different options for mine waste management, cemented paste backfills (CPB) have become important in mining operations around the world due to their environmental and economic benefits. The key design parameter of a CPB structure is its mechanical stability, which is commonly evaluated by the uniaxial compressive strength (UCS) of the CPB material. Experimental studies have shown that the sulphate present within the CPB and the curing temperatures can significantly affect the strength of CPBs. The increasing use of CPBs in underground mine operations as well as the subjection of CPBs to a large variability of thermal (curing temperature) and chemical (sulphate content) loads, make it necessary to model and quantify the coupled effect of sulphate and curing temperature on the strength (key design parameter) of CPBs. Therefore, the main objective of this study is to develop a methodological approach and a mathematical model based on an artificial neural network (ANN) to analyze and predict the effect of different amounts of sulphate on the strength of mature CPBs cured at various temperatures. Based on the experimental results of UCS tests from previous studies on various CPBs, the authors have developed an ANN model by using an ANN methodology implemented through MATLAB™. The developed model is validated with experimental data that is not used for the model development. The validation shows good agreement between the predicted and experimental data. The results from the ANN model of this study show that the coupled effect of curing temperature and sulphate significantly affects the strength of CPBs. This effect can be positive (strength increase) or negative (strength decrease) depending on the initial amount of sulphate content, the curing temperature, and type of binder. Furthermore, this study demonstrates that ANN can be used as a valuable tool to evaluate the coupled influence of sulphate and temperature on the strength of CPBs, i.e., it is a suitable tool for the optimization of a CPB mixture.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,417

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,158
Écart entre enseignants0,152 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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