Exploring machine learning to study and predict the chloride threshold level for carbon steel reinforcement
Notice bibliographique
Résumé
Chloride-induced corrosion of steel reinforcing bar (rebar) is the primary cause of deterioration in reinforced concrete structures, posing a significant infrastructure challenge. The chloride threshold level (CTL) of rebar, which represents the critical amount of chloride needed to initiate active corrosion, is crucial in corrosion and service life prediction models. However, substantial uncertainties and a multitude of influencing factors, along with the absence of a universally accepted testing framework, hinder the achievement of a consistent CTL range for service life models and complicate comparisons of published values. This study addresses these challenges by developing multiple machine learning models to predict CTL, considering 21 carefully selected features. A comprehensive database of 423 data points was compiled from an exhaustive literature review. Seven machine learning models—linear regression, decision tree, random forest, K-nearest neighbors, support vector machine, artificial neural network, and an ensemble model—were developed and optimized. The ensemble model achieved superior prediction performance, with a mean absolute error of 0.218 % by weight of binder, root mean square error of 0.321 %, and a coefficient of determination of 0.751 on unseen CTL data. Partial dependence plots generated using the support vector machine model quantified the effect of each feature on CTL. The random forest model identified SiO₂ binder content and exposed rebar area to chlorides as the most influential factors. The study also examined the impact of supplementary cementitious materials (SCMs), finding that only blast furnace slag positively affected CTL.
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 ».