Experimental and Informational Modeling Study on Flexural Strength of Eco-Friendly Concrete Incorporating Coal Waste
Notice bibliographique
Résumé
Construction activities have been a primary cause for depleting natural resources and are associated with stern environmental impact. Developing concrete mixture designs that meet project specifications is time-consuming, costly, and requires many trial batches and destructive tests that lead to material wastage. Computational intelligence can offer an eco-friendly alternative with superior accuracy and performance. In this study, coal waste was used as a recycled additive in concrete. The flexural strength of a large number of mixture designs was evaluated to create an experimental database. A hybrid artificial neural network (ANN) coupled with response surface methodology (RSM) was trained and employed to predict the flexural strength of coal waste-treated concrete. In this process, four influential parameters including the cement content, water-to-cement ratio, volume of gravel, and coal waste replacement level were specified as independent input variables. The results show that concrete incorporating 3% recycled coal waste could be a competitive and eco-efficient alternative in construction activities while attaining a superior flexural strength of 6.7 MPa. The RSM-modified ANN achieved superior predictive accuracy with an RMSE of 0.875. Based on the experimental results and model predictions, estimating the flexural strength of concrete incorporating waste coal using the RSM-modified ANN model yielded superior accuracy and can be used in engineering practice to save the effort, cost, and material wastage associated with trial batches and destructive laboratory testing while producing mixtures with enhanced flexural strength.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».