Chloride threshold level determination: Call for test standardization to limit variations in experimental methodology and resolve inherent experimental and modelling detection challenges
Notice bibliographique
Résumé
Chloride-induced corrosion significantly threatens the durability of reinforced concrete structures, leading to deterioration, costly repairs, and potential structural failures. Accurately determining the steel reinforcing bar (rebar) chloride threshold level (CTL) is crucial for predicting corrosion onset, optimizing material selection, and estimating the service life of these structures. An ensemble machine learning model was trained using literature CTL data. Despite achieving a mean absolute error of 0.218 % weight of binder, a root mean square error of 0.321 % weight of binder, and an R² value of 0.751 on unseen data, the model's performance reveals limitations due to the wide variability in reported CTL, stemming from disparities in experimental methodologies including set-up and corrosion detection techniques. After model development, this paper also investigates challenges associated with CTL evaluation by comparing literature practices and providing insights to enhance data reliability and comparability. Factors impacting CTL evaluation includes corrosion detection techniques, initiation criteria, chloride introduction methods, testing setup, exposure solution compositions, chloride concentration measurement techniques, and rebar concrete/mortar cover thickness. This paper focused on the largely ignored aspect of these factors, some of which are inherent and nearly non-circumventable, and will continue to lead to suboptimal performance of any CTL predictive model when not addressed. Recommendations for standardizing practices are proposed to improve CTL assessment consistency, reliability of developed CTL predictive models, and accuracy of service life modeling. • The ensemble model achieved 0.218 % MAE and 0.321 % RMSE in CTL predictions. • CTL variability stems from inconsistent experimental methods across studies. • Standardized testing is proposed to improve CTL data reliability and consistency. • Emphasized need for uniform corrosion detection and chloride measurement. • Recommendations aim to enhance CTL model accuracy and service life predictions.
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 ».