Machine learning-assisted characterization of the thermal conductivity of cement-based grouts for borehole heat exchangers
Notice bibliographique
Résumé
This research utilized machine learning (ML) techniques to forecast the thermal conductivity (TC) of cement-based grouts for borehole heat exchangers. Nine commonly used ML models were established and tested. Additionally, the accuracy of the ML models was contrasted with three conventional models. The results demonstrate that the back propagation neural network (BPNN) model emerges as the optimum prediction model with its highest accuracy (e.g., an R 2 of 0.991 on the test dataset). In addition, the BPNN model outperformed the three conventional models, while showing a notable increase of 29.3 % in R 2 compared with the optimum conventional model (i.e., Hashin-Shtrikam model). Finally, the SHapley Additive exPlanations analysis was conducted to comprehensively evaluate the importance of each input variable, and to analyse the individual relationships of the TC with input features. In conclusion, the proposed ML model proves an effective tool for forecasting the TC of grouts for borehole heat exchangers. This advancement facilitates the practical design and selection of grouts, ultimately improving the performance of ground source heat pumps. • ML models were built to predict the thermal conductivity of grouts for BHEs. • The BPNN model shows a high accuracy of R 2 of 0.991 for predicting the TC of grouts. • The BPNN outperformed the conventional models in predicting the TC of grouts. • SHAP analysis was conducted to build feature importance ranking. • Relationships between input features and TC were explained using SHAP plots.
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 ».