Neural predictional of Mechanical Properties of Fiber-Reinforced Lightweight Concrete Containing Metakaolin at High Temperatures
Notice bibliographique
Résumé
The fire hazard is a permanent threat to structures.Given the use of concrete in many structures, fire constitutes a considerable risk since it leads to a sudden collapse in these structures.If concrete made using Portland cement is subjected to heat, it experiences a number of transformations and reactions even in the case of a moderate temperature rise.Since aggregate occupies usually 65%-75% of concrete volume, the behavior of concrete at high temperatures is strongly dependent on the aggregate type.Therefore, the mix design of the fire-resistant concrete is of great importance.Obtaining a mix design capable of handling high temperatures requires the preparation of various concrete samples with different mix designs, which is both costly and time-consuming.Instead, simulating such tests in numerous iterations and performing the involved computations via simulation software results in cost savings and high accuracy.The present research used MATLAB modeling to obtain the compressive and tensile strengths of fiber-reinforced lightweight concrete containing metakaolin for various percentages of cement, gravel, sand, superplasticizer, and polypropylene fibers at high temperatures.The multilayer perceptron artificial neural network was employed for this purpose.The neural network was trained with 7 input layers, 2 output layers, and 1 hidden layer.As a result, it reached estimation accuracies of 99.06% and 97.16% for the training and testing data, respectively, and 99.05% for all the data, indicating the efficiency of the selected network.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».