Predicting residual strength of hybrid fibre-reinforced Self-compacting concrete (HFR-SCC) exposed to elevated temperatures using machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Hybrid fibre-reinforced Self-compacting concrete (HFR-SCC) offers significant advantages over conventional concrete like increased ductility, crack resistance, and eliminating the need for compaction etc. However, it is very difficult to determine residual strength properties of HFR-SCC after a fire event since it requires rigorous experimental work and resources. Thus, this research presents innovative ways for reliable prediction of compressive strength (cs), flexural strength (fs), and tensile strength (ts) of HFR-SCC using different machine learning (ML) algorithms including gene expression programming (GEP), adaptive neuro-fuzzy inference system (ANFIS), extreme gradient boosting (XGB), AdaBoost, and random forest regression (RFR). The data to be used for this purpose was obtained from internationally published literature having nine inputs including cement, fly ash, temperature, fibre content etc. and three output parameters i.e., cs, ts, and fs. The collected dataset was split into two sets named training and testing sets to be used for training the algorithms and testing their accuracy respectively. The developed predictive models were validated by error metrices including coefficient of determination ( R 2 ) , performance index (PI), and a20-index, etc. The comparison of the algorithms revealed that XGB surpassed its counterparts having testing R 2 values equal to 0.998, 0.997, and 0.999 for cs, ts, and fs prediction respectively. Also, the PI values were the lowest for XGB-based predictive model in both phases of training and testing. Thus, Shapely Additive Analysis (SHAP) was performed on the XGB model which revealed that temperature, fibre content, and cement are some of the main contributors to predict the three outputs. The developed predictive models presented in this study can be utilized effectively by the professionals to estimate the residual strength of HFR-SCC.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle