Effect of Data Division on Classification Performance Model Prediction of Specified Compressive Strength Core Concrete Using Ultrasonic Pulse Velocity 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 accurate assessment of concrete quality and structural integrity is of paramount importance in the field of civil engineering.Non-destructive measurement is the best option for assessment because it will be efficient and does not require damaging existing structures.One non-destructive technique that has gained significant attention is using Ultrasonic Pulse Velocity (UPV) measurements in conjunction with machine learning algorithms to classify core concrete.This study aims to predict the classification of specified compressive strength core concrete using UPV in tandem with machine learning affected by data division.The investigation explores how different data partitioning techniques, such as random splitting sampling (90/10, 80/20, 70/30, 60/40, 50/50), influence the accuracy capability of the classification models.Random splitting sampling technique data was chosen because this method is the most common and frequently reported in previous research.This study uses machine learning algorithms, including Linear Discriminant Analysis (LDA), K-Nearest Neighbor (kNN), Decision Tree (DT), and Random Forest (RF).By systematically evaluating the effect of data division on model performance, this research contributes to refining concrete quality assessment methodologies.It advances the understanding of the synergy between nondestructive testing and machine learning.The results of this study indicate that the model developed by the kNN algorithm is the best and most robust against data division in classifying compressive strength core concrete using Ultrasonic Pulse Velocity.The performance of this machine learning algorithm model through accuracy in calibration and validation in all data splitting is between 0.98 and 1.00.
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