MétaCan
Menu
Retour à la cohorte
Enregistrement W4396836020 · doi:10.1080/21650373.2024.2347594

A review on numerical simulation of the failure of high performance fiber-reinforced concretes

2024· review· en· W4396836020 sur OpenAlex
Chaohui Zhang, Kai Li, Xiang Hu, Nemkumar Banthia, Caijun Shi

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Sustainable Cement-Based Materials · 2024
Typereview
Langueen
DomaineEngineering
ThématiqueInnovative concrete reinforcement materials
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesMinistry of Science and Technology of the People's Republic of China
Mots-clésComputer scienceComputer simulationNumerical modelingNumerical analysisMacroContext (archaeology)Numerical modelsSimulationGeologyMathematics

Résumé

récupéré en direct d'OpenAlex

Numerical simulations have been widely used to study the failure and mechanical behavior of high performance fiber-reinforced concretes (HPFRCs) in the past decades. According to different algorithms principles of these numerical modeling methods, this paper categorized these methods into mesh-based, particle-based, and lattice-based approaches. The main benefits and limitations of each method were introduced and analyzed with a particular focus on their application to HPFRCs. A comprehensive overview of the numerical modeling methods and their applications at macro-, meso-, and multiscale levels to study the failure of HPFRCs is presented. The paper discusses current trends and challenges in further research on numerical modeling methods for HPFRC failure, exploring novel approaches such as machine learning or AI within the context of numerical modeling. The aim of this paper is to provide scientific guidance and practical tools for studying the failure of HPFRCs through numerical simulation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,746
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,278
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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