Plastic concrete mechanical properties prediction based on experimental data
Notice bibliographique
Résumé
The industrial revolution brought environmental degradation to light. Concrete and plastic degrade the ecosystem and cause unsustainable development. Academic and industrial sectors are interested in lowering carbon emissions associated with concrete. Meanwhile, global sand scarcity worries environmentalists. To reach sustainable development goals, cement and fine aggregate must be substituted with other abundant waste/natural materials. This study aimed to develop a green concrete by utilizing plastic waste and creating modelling tool for predicting the mechanical properties of plastic concrete. Different composition of silica fume and superplasticizers substituted fine aggregate and cement in both irradiated (treated) and regular (untreated) plastic concrete. Compressive strength (fc’) and split tensile strength (fst) of the resulting concrete were studied. Moreover, from literature data, 320 data points each for fc' and fst were used to train gene expression programming (GEP) models. Models’ accuracy was evaluated employing various statistical measures. Regular plastic waste concrete has demonstrated a lower fc’ and exhibited anomalous behavior for fst. While irradiated plastic waste concrete has demonstrated improved mechanical characteristics, comparatively. Correlation coefficients using GEP models for fc’ and fst were found to be 0.92 and 0.88, respectively. Furthermore, sensitivity analysis revealed that plastic was the most significant in the GEP model’s development. K fold validation was employed to prevent over-fitting of the models. GEP provides an empirical expression for each outcome to predict future database features. This research improves green concrete's long-term sustainability by reducing carbon emissions and alleviating fine aggregate scarcity.
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) | 0,000 | 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) | 0,000 | 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 ».