Effect of Data Division on Classification Performance Model Prediction of Specified Compressive Strength Core Concrete Using Ultrasonic Pulse Velocity in Tandem with Machine Learning
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.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».