Bayesian Regularized Artificial Neural Network Model to Predict Strength Characteristics of Fly-Ash and Bottom-Ash Based Geopolymer Concrete
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
Geopolymer concrete (GPC) offers a potential solution for sustainable construction by utilizing waste materials. However, the production and testing procedures for GPC are quite cumbersome and expensive, which can slow down the development of mix design and the implementation of GPC. The basic characteristics of GPC depend on numerous factors such as type of precursor material, type of alkali activators and their concentration, and liquid to solid (precursor material) ratio. To optimize time and cost, Artificial Neural Network (ANN) can be a lucrative technique for exploring and predicting GPC characteristics. In this study, the compressive strength of fly-ash based GPC with bottom ash as a replacement of fine aggregates, as well as fly ash, is predicted using a machine learning-based ANN model. The data inputs are taken from the literature as well as in-house lab scale testing of GPC. The specifications of GPC specimens act as input features of the ANN model to predict compressive strength as the output, while minimizing error. Fourteen ANN models are designed which differ in backpropagation training algorithm, number of hidden layers, and neurons in each layer. The performance analysis and comparison of these models in terms of mean squared error (MSE) and coefficient of correlation (R) resulted in a Bayesian regularized ANN (BRANN) model for effective prediction of compressive strength of fly-ash and bottom-ash based geopolymer concrete.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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