Machine Learning Prediction of Residual Mechanical Strength of Hybrid-Fiber-Reinforced Self-consolidating Concrete Exposed to Elevated Temperature
Notice bibliographique
Résumé
Establishing the engineering properties of cement-based composites at elevated temperature requires costly, laborious, and time-consuming experimental work. Data-driven models can provide a robust and efficient alternative. In this study, extreme learning machine (ELM), support vector machine (SVM), artificial neural network (ANN), and decision tree (DT) models were trained to predict the residual compressive, splitting tensile, and flexural strengths of hybrid fiber-reinforced self-compacting concrete (HFR-SCC) exposed to high temperatures. Mixtures including macro and micro steel fibers, polyvinyl alcohol (PVA), and polypropylene (PP) were subjected to different temperature levels, leading to an experimental database of 360 specimens. Eleven input parameters including cement, fly ash, water, sand, gravel, fiber type, water reducer, and temperature were deployed. The residual mechanical strengths were targeted as output parameters. ANOVA was used to explore the influence of input parameters. Temperature was found to be the most influential parameter. Dataset consisting of 114 instances was retrieved from pertinent literature and used along with the authors’ experimentally generated dataset for residual strength prediction. The experimental results were compared with predictions of ELM, SVM, ANN, and DT. ELM achieved superior performance and can offer a robust tool for predicting the residual mechanical strengths of HFR-SCC upon exposure to high temperature.
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 | 0,000 |
| 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 | 0,001 | 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 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 ».