Modeling the Time-Dependent Variation of Road Salt Concentrations Using Analytical and Machine-Learning Approaches to Advance Service Life Predictions for Concrete Structures
Notice bibliographique
Résumé
The exposure of concrete structures to environmental and climatic conditions is detrimental to their durability. In northern climates, the key contributor to their degradation is corrosion of the reinforcing steel because of chloride ions originating from de-icing salts applied on roadways during the winter season. In consequence, a key input parameter for predicting the time to the initiation of corrosion for concrete elements is the time history of the concentration of chloride ions at their surfaces. To investigate this issue, a specialized mobile monitoring station was deployed along a roadway over several winter seasons to collect data on salting operations, weather conditions, and the temporal variation of chloride ion levels on the roadway. At first, salting operations were monitored, and then exploratory and machine-learning algorithms were applied to develop relationships between weather conditions, road conditions, and chloride ion concentrations. The first proposed model is based on the simulation modeling approach, while the second is based on the machine-learning XGBoost model. The findings demonstrate that both models can predict the variation of salt concentration on the road surface as a function of time after a salting operation. By accounting for the time dependency of surface chloride in service life models, more accurate predictions of corrosion initiation time are possible, since the rate of penetration of chloride ions is highly dependent on wetting/drying cycles throughout the winter.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».