Multi-Objective Optimization of Sustainable Concrete Containing Fly Ash Based on Environmental and Mechanical Considerations
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
Infrastructure design, construction and development experts are making frantic efforts to overcome the overbearing effects of greenhouse gas emissions resulting from the continued dependence on the utilization of conventional cement as a construction material on our planet. The amount of CO2 emitted during cement production, transportation to construction sites, and handling during construction activities to produce concrete is alarming. The present research work is focused on proposing intelligent models for fly ash (FA)-based concrete comprising cement, fine and coarse aggregates (FAg and CAg), FA, and water as mix constituents based on environmental impact (P) considerations in an attempt to foster healthier and greener concrete production and aid the environment. FA as a construction material is discharged as a waste material from power plants in large amounts across the world. Its utilization as a supplementary cement ensures a sustainable waste management mechanism and is beneficial for the environment too; hence, this research work is a multi-objective exercise. Intelligent models are proposed for multiple concrete mixes utilizing FA as a replacement for cement to predict 28-day concrete compressive strength and life cycle assessment (LCA) for cement with FA. The data collected show that the concrete mixes with a higher amount of FA had a lesser impact on the environment, while the environmental impact was higher for those mixes with a higher amount of cement. The models which utilized the learning abilities of ANN (-BP, -GRG, and -GA), GP and EPR showed great speed and robustness with R2 performance indices (SSE) of 0.986 (5.1), 0.983 (5.8), 0.974 (7.0), 0.78 (19.1), and 0.957 (10.1) for Fc, respectively, and 0.994 (2.2), 0.999 (0.8), 0.999 (1.0), 0.999 (0.8), and 1.00 (0.4) for P, respectively. Overall, this shows that ANN-BP outclassed the rest in performance in predicting Fc, while EPR outclassed the others in predicting P. Relative importance analyses conducted on the constituent materials showed that FA had relatively good importance in the concrete mixes. However, closed-form model equations are proposed to optimize the amount of FA and cement that will provide the needed strength levels without jeopardizing the health of the environment.
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) | 0,001 | 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 découle