Bayesian Regularized Artificial Neural Network Model to Predict Strength Characteristics of Fly-Ash and Bottom-Ash Based Geopolymer Concrete
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».