Predicting the Compressive Strength of Concrete Containing Binary Supplementary Cementitious Material Using Machine Learning Approach
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
Several advantages of supplementary cementitious materials (SCMs) have led to widespread use in the concrete industry. Many various SCMs with different characteristics are used to produce sustainable concrete. Each of these materials has its specific properties and therefore plays a different role in enhancing the mechanical properties of concrete. Multiple and often conflicting demands of concrete properties can be addressed by using combinations of two or more SCMs. Thus, understanding the effect of each SCM, as well as their combination in concrete, may pave the way for further utilization. This study aims to develop a robust and time-saving method based on Machine Learning (ML) to predict the compressive strength of concrete containing binary SCMs at various ages. To do so, a database containing a mixture of design, physical, and chemical properties of pozzolan and age of specimens have been collected from literature. A total of 21 mix design containing binary mixes of fly ash, metakaolin, and zeolite were prepared and experimentally tests to fill the possible gap in the literature and to increase the efficiency and accuracy of the ML-based model. The accuracy of the proposed model was shown to be accurate and ML-based model is able to predict the compressive strength of concrete containing any arbitrary SCMs at ay ages precisely. By using the model, the optimum replacement level of any combination of SCMs, as well as the behavior of binary cementitious systems containing two different SCMs, can be determined.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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