MétaCan
Menu
Retour à la cohorte
Enregistrement W4406365144 · doi:10.1007/s12145-024-01520-2

Utilizing contemporary machine learning techniques for determining soilcrete properties

2025· article· en· W4406365144 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueEarth Science Informatics · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueConcrete and Cement Materials Research
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesKing Saud University
Mots-clésAlgorithmComputer scienceMachine learningArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

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 $${\text{R}}^{2}=0.999$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mrow> <mml:msup> <mml:mrow> <mml:mtext>R</mml:mtext> </mml:mrow> <mml:mn>2</mml:mn> </mml:msup> <mml:mo>=</mml:mo> <mml:mn>0.999</mml:mn> </mml:mrow> </mml:math> for both density and shrinkage prediction and $${\text{R}}^{2}=0.944$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mrow> <mml:msup> <mml:mrow> <mml:mtext>R</mml:mtext> </mml:mrow> <mml:mn>2</mml:mn> </mml:msup> <mml:mo>=</mml:mo> <mml:mn>0.944</mml:mn> </mml:mrow> </mml:math> 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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,432
Score d'incertitude au seuil0,383

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,277
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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