Utilizing contemporary machine learning techniques for determining soilcrete properties
Notice bibliographique
Résumé
Abstract Soilcrete is an innovative construction material made by combining naturally occurring earth materials with cement. It can be effectively used in areas where other construction materials are not readily available due to financial or environmental reasons since soilcrete is made from readily available natural clay. It can also help to cut down the greenhouse gas emissions from the construction industry by encouraging the use of resources that are locally available. Thus, it is imperative to reliably predict different properties of soilcrete since the accurate determination of these properties is crucial for the widespread use of soilcrete materials. However, the laboratory determination of these properties is subjected to significant time and resource constraints. As a result, this research was undertaken to provide empirical prediction models for the density, shrinkage, and strain of soilcrete mixes using two machine learning algorithms: Gene Expression Programming (GEP) and Extreme Gradient Boosting (XGB). The analysis revealed that XGB-based predictions correlated more with real-life values than GEP having training $${\text{R}}^{2}=0.999$$ R 2 = 0.999 for both density and shrinkage prediction and $${\text{R}}^{2}=0.944$$ R 2 = 0.944 for strain prediction. Moreover, several explanatory analyses including individual conditional expectation (ICE) analysis and shapely analysis were done on the XGB model which showed that water-to-binder ratio, metakaolin content, and modulus of elasticity are some of the most important variables for forecasting soilcrete materials properties. Furthermore, an interactive graphical user interface (GUI) has been developed for effective utilization in civil engineering industry to forecast these properties of soilcrete materials.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».