Predicting Compressive and Splitting Tensile Strengths of Silica Fume Concrete Using M5P Model Tree Algorithm
Notice bibliographique
Résumé
Compressive strength (CS) and splitting tensile strength (STS) are paramount parameters in the design of reinforced concrete structures and are required by pertinent standard provisions. Robust prediction models for these properties can save time and cost by reducing the number of laboratory trial batches and experiments needed to generate suitable design data. Silica fume (SF) is often used in concrete owing to its substantial enhancements of the engineering properties of concrete and its environmental benefits. In the present study, the M5P model tree algorithm was used to develop models for the prediction of the CS and STS of concrete incorporating SF. Accordingly, large databases comprising 796 data points for CS and 156 data records for STS were compiled from peer-reviewed published literature. The predictions of the M5P models were compared with linear regression analysis and gene expression programming. Different statistical metrics, including the coefficient of determination, correlation coefficient, root mean squared error, mean absolute error, relative squared error, and discrepancy ratio, were deployed to appraise the performance of the developed models. Moreover, parametric analysis was carried out to investigate the influence of different input parameters, such as the SF content, water-to-binder ratio, and age of the specimen, on the CS and STS. The trained models offer a rapid and accurate tool that can assist the designer in the effective proportioning of silica fume concrete.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».