Computation of Compressive Strength of GGBS Mixed Concrete using Machine Learning
Notice bibliographique
Résumé
Concrete is a composite material formed by cement, water, and aggregate. Concrete is an important material for any Civil Engineering project. Several concretes are produced as per the functional requirements using waste materials or by-products. Many researchers reported that these waste materials or by-products enhance the concrete properties, but the laboratory procedures for determining the concrete properties are time-consuming. Therefore, numerous researchers used statistical and artificial intelligence methods for predicting concrete properties. In the present research work, the compressive strength of GGBS mixed concrete is computed using AI technologies, namely Regression Analysis (RA), Support Vector Machine (SVM), Decision Tree (DT), and Artificial Neural Networks (ANNs). The cement content (CC), C/F ratio, w/c ratio, GGBS (in Kg & %), admixture, and age (days) are selected as input parameters to construct the RA, SVM, DT, ANNs models for computing the compressive strength of GGBS mixed concrete. The CS_MLR, Link_CS_SVM, 20LF_CS_DT, and GDM_CS_ANN models are identified as the best architectural AI models based on the performance of AI models. The performance of the best architectural AI models is compared to determine the optimum performance model. The correlation coefficient is computed for input and output variables. The compressive strength of GGBS mixed concrete is highly influenced by age (curing days). Comparing the performance of optimum performance AI models and models available in the literature study shows that the optimum performance AI model outperformed the published models.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».