Predicting Embodied Carbon and Cost Effectiveness of Post-Tensioned Slabs Using Novel Hybrid Firefly ANN
Notice bibliographique
Résumé
Post-tensioning has become a strong contender for manufacturing reinforced concrete (RC) members, especially for flat slabs in large-span structures. Post-tensioned (PT) slabs can lead to considerable material savings while reducing the embodied carbon (embodied CO2), construction time, and life cycle maintenance and repair costs. In this research, a novel hybrid Firefly–Artificial Neural Network (Firefly–ANN) computational intelligence model was developed to estimate the cost effectiveness and embodied CO2 of PT slabs with different design variables. To develop the dataset, several numerical models with various design variables, including the pattern of tendons, slab thickness, mechanical properties of materials, and span of slabs, were developed to investigate the sustainability and economic competitiveness of the derived designs compared to benchmark conventional RC flat slabs. Several performance measures, including punching shear and heel drop vibration induced by human activity, were used as design constraints to satisfy safety and serviceability criteria. The economic competitiveness of PT slabs was more evident in larger spans where the cost and embodied CO2 emissions decreased by 39% and 12%, respectively, in PT slabs with a 12-m span length compared to conventional RC slabs. Sensitivity analysis also confirmed that the cost and embodied CO2 emissions were very sensitive to the slab thickness by 86% and 62%, respectively.
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 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 | 0,001 | 0,003 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».