Predicting the Compressive Strength of Concrete Containing Binary Supplementary Cementitious Material Using Machine Learning Approach
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 ».