Compressive strength optimization and life cycle assessment of geopolymer concrete using machine learning techniques
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
Fly ash-based geopolymer concrete is studied in this research work for its compressive strength, life cycle and environmental impact assessment contribution to the construction environment. This is in line with the United Nations’ sustainable development goals SDG9 and SDG11. However, the focus of this research paper is on the sustainability of geopolymer concrete and its overall environmental impact. The metaheuristic machine learning approaches have been deployed to predict the compressive strength (CS) of the GPC based on environmental impact considerations of the concrete constituent materials, which included fly ash, sodium silicate, sodium hydroxide, fine and coarse aggregates. The metaheuristic techniques include the k-Nearest Neighbour (kNN), support vector regression (SVR), and random forest regression (RFR), where all are optimized with the particle swarm (PSO). These metaheuristic techniques have been modified for this research work with new codes to enhance innovation in terms of run time and efficiency. The results of the life cycle assessment (LCA) evaluation of the GPC mixes based on the Ecoinvent 3 available in SimaPro and Eco-indicator 99 and CML 2001 modified in the framework of ReCiPe 2016 recent development show reduced potential of environmental acidification due to increased fly ash (FA) in the GPC mixes compared to previous results. The decisive CS and LCA predictive models, RFR-PSO and SVR-PSO respectively performed optimally above 90% and better than previous models from the literature. Overall, they present an innovative metaheuristic smart technology for the prediction of the GPC infrastructure behavior and performance integrity.
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 | 0,000 | 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