Bond behavior of galvanized iron fiber reinforced concrete with recycled coarse aggregate and model prediction 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
Concrete is a brittle material with low tensile strength, requiring reinforcement bars to carry the tensile load and ensure structural serviceability and durability. This study aims to improve the mechanical properties and bond behavior of natural aggregate concrete (NAC) and recycled aggregate concrete (RAC) by incorporating locally available galvanized iron fiber (GIF). Two concrete strengths (30 MPa and 40 MPa) were considered with GIF lengths of 15 mm and diameters of 0.5 mm. Eighteen mix combinations were tested with varying GIF (0 %, 0.25 %, 0.5 %) and recycled coarse aggregate (RCA) contents (0 %, 30 %, 50 %). Three rebar diameters (12 mm, 16 mm, and 20 mm) with embedment lengths of 8D and 12D were used. Results showed significant improvements in compressive strength and split tensile strength, up to 39.3 % and 13.93 %, depending on the GIF and RCA percentages. Up to 40.8 % and 46.5 % higher bond strength was found using 0.25 % and 0.5 % GIF, respectively. The study also employed regression and machine learning (ML) models to predict bond strength. The XGB and ANN models were used to compare the proposed regression equations and existing mechanical models with the ML models. Based on the investigation, it is suggested that 0.25 % or 0.5 % of GIF be used while limiting the RCA content to 30 % for optimal performance. By utilizing locally available and cost-effective GIF alongside RCA, these findings contribute to sustainable construction practices by enhancing the mechanical and bond properties of concrete while addressing environmental concerns.
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 | 0,000 | 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 découle