Use of Artificial Neural Networks for Prediction of Properties of Self-Sensing Concrete
Notice bibliographique
Résumé
Nanomaterials such as carbon nanotubes and carbon nanofibers are used as reinforcement for concrete, enhancing its compressive and flexural strength, and durability, and providing additional properties such as electrical conductivity.Hence, CNT/CNF reinforced concrete composite material is multifunctional material which may be used in structural capacity as well as structural health monitoring purposes.Although this material can be superior to traditional concrete, extensive and costly procedures of fabrication are hindering its practical potential.Concrete mix design methods are commonly used during the design of such composites, however, since these methods cannot give direct connection between the recipe and the end-product, every composite must be put through testing and iteratively adjusted until the appearance of wanted results.This paper proposes application of artificial neural networks for predicting properties of CNT/CNF concrete composite materials.Artificial neural networks in mix design have been developed for various types of concrete, commonly to predict only compressive strength as the primary property of concrete.However, self-sensing concrete is used primarily for its piezoresistivity and enhanced strength is only the consequence of the existence of nanofillers.Hence, the paper investigates prediction of compressive and flexural strength as well as electrical resistivity of 468 concrete mixtures by developing 3 different datasets comprehended by 6 ANN models.The models show some interesting results and point toward the necessity of further investigations on this topic and possible improvements.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».