Effect of model architecture and input parameters to improve performance of artificial intelligence models for estimating concrete strength using SonReb
Notice bibliographique
Résumé
The use of Artificial Intelligence (AI) with the non-intrusive SonReb method, which combines Ultrasonic Pulse Velocity (UPV) and Rebound Number (RN) to predict concrete compressive strength, has attracted increasing attention in recent years. This study introduces a novel approach to improve AI models for predicting concrete strength, making them more suitable for future practical applications. One of the key challenge in AI models is the number of input parameters; while more inputs often improve accuracy, they are typically impractical for most applications dealing with existing structures (e.g., requiring detailed concrete mix design information that is often unavailable). SonReb AI-based models which use only two input parameters (UPV and RN) have shown reasonable accuracy, but their general use is limited by adoption of different testing standards which precludes the development of large databases. This study aims to improve two-parameter SonReb-based AI models through the addition of a binary input variable that represents the type of the specimen geometry (cube or cylinder) and investigates the effect of model architecture by comparing three different AI algorithms: Artificial Neural Networks (ANN), Deep Neural Networks (DNN), and Adaptive Neuro-Fuzzy Inference Systems (ANFIS). Six AI models were developed using 514 data points from experimental tests and collected data, and an unbiased data splitting method was applied for training and testing. The results showed that including specimen geometry improved model accuracy across all AI algorithms. The results of this study show that regardless of AI architecture, the proposed novel approach not only improves the accuracy of models, but also enables the use of larger databases containing both cubic and cylindrical specimens. • A new AI model to predict concrete compressive strength using the SonReb method. • A new approach enables models based on both cylindrical and cubic standards. • Comparison of machine learning (ANN and ANFIS) and deep learning (DNN) algorithms.
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 ».