Comparative study of statistical computational approaches to investigate the degraded compressive strength of concrete under the freeze-thaw effect
Notice bibliographique
Résumé
The primary cause of frost damage and early failure in concrete structures is the repeated freezing and thaw cycles (FTC). The evolution of internal fractures and scaling at the surface of concrete can be used to assess the impact of frost damage. Surface scaling mechanisms and interior frost damage are contingent upon numerous environmental factors, including the rate of freezing, low temperature, and duration of the freezing point. However, evaluating the amount of strength loss of concrete material is a challenging factor to consider. This work explores the application of predictive modelling tools, including random forest (RF), multilayer perceptron (MLP), decision tree (DT), and bagging, to evaluate the degraded compressive strength (D-CS) of concrete. The models use five input variables: initial compressive strength (I-CS), water-to-cement ratio (W/C), FTC, minimum temperature (T min ), and maximum temperature (T max ), with D-CS as the output. Model performance was compared using mean absolute error (MAE), root mean square error (RMSE), and coefficient of determination (R²) metrics, with the bagging model achieving the highest predictive performance at 92 %. A 10-fold cross-validation approach validated the model's accuracy. The influence of each variable was assessed using SHapley Additive exPlanations (SHAP) analysis. Importantly, a user-friendly Graphical User Interface (GUI) was developed based on the models, making it easy for researchers and professionals to make predictions and thereby increasing the practicality and accessibility of this research. This study aids the research community in selecting appropriate models to forecast the strength of various concrete types, thereby enhancing the practical application of this research.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».