Artificial Neural Network Approach to Predict Carbonation Depth in Metakaolin, Brick Powder and Calcined Sediments-Modified Mortars
Notice bibliographique
Résumé
Abstract This research uses Artificial Neural Network (ANN) as a soft computing technique to predict the carbonation depth and service life of cementitious materials with low clinker content. For this purpose, different mortars were prepared with 0, 10, 15, 20, 25 and 30% replacement levels of cement by metakaolin (MK), brick powder (BP) and calcined sediments (CS). The experimental results of the carbonation depth were obtained under natural and accelerated carbonation conditions for exposure periods of 12 months and 28 days respectively. ANN was utilized taking into account the main influential factors on mortars carbonation, including mix proportions and environmental conditions. For the ANN model, seven datasets were considered as inputs, covering mineral admixture content, cement content, curing time, CO 2 concentration, relative humidity, temperature and CO 2 exposure time, in addition to one output parameter which is the carbonation depth. The results show that the resistance to carbonation of the mortars decreases with the increase of cement substitution by MK, BP or CS. The network model gives good performance values in the validation and testing set with a lower mean square error (MSE) and a higher determination coefficient ( R ). The predicted carbonation depths are in good agreement with the experimental measurements of carbonation depths, confirming the efficiency of the developed ANN model to be applied to correctly estimate the carbonation depth of cementitious materials with low clinker content.
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 | 0,001 | 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 | 0,001 | 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 ».