Measurement and Prediction of Effect Slenderness Ratios and Aggregate to the Compressive Strength of Concrete by the Core-Drilling Method in Tandem with Machine Learning
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
The slenderness ratio, length to diameter, of the cylindrical concrete samples of the slab block by the core-drilling method is believed to affect the compressive strength other than the aggregates in the concrete.In this study, the relationship between the compressive strength with mixing and slenderness ratio of cylindrical concrete specimens was investigated by statistics.Further, the discrimination model for mixing cylindrical concrete specimens has been developed by using machine learning algorithms, including support vector machine (SVM), linear discriminant analysis (LDA), k-nearest neighbor (k-NN), and random forest (RF).A total of 180 cylindrical concrete specimens have been measured for compressive strength using UTM.The sample consisted of a mixture of type-A and type-B with a slenderness ratio of 2.48, 2.72, and 3.28, respectively.Samples were obtained by the core-drilling method from slab block concrete.The ANOVA tests showed that the aggregate and slenderness ratio caused a significant difference in the compressive strength of the concrete (p<0.05).This indicates that the type of aggregate mixture in concrete and the slenderness ratio of cylindrical concrete specimens significantly affect the compressive strength of the concrete.The model for discrimination of mixing cylindrical concrete specimens using machine learning algorithms can be used with satisfactory results.LDA is a machine learning algorithm that can show stability in the training and testing stages with accuracy reaching 78% and inconsistency of less than 2.63% (the smallest compared to others).The descending order of machine learning algorithms based on their consistency is LDA > RF > SVM > k-NN.Subsequently, this model can discriminate the aggregate mixture on cylindrical concrete specimens obtained from the core-drilling method.
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 | 0,000 | 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 découle