Use of Artificial Neural Networks for Prediction of Properties of Self-Sensing 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
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.
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) | 0,000 | 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