Unveiling the combined thermal and high strain rate effects on compressive behavior of steel fiber-reinforced concrete: A novel predictive approach
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
Steel Fiber Reinforced Concrete (SFRC) is widely recognized for its exceptional performance under extreme conditions, such as high temperatures and high strain rates, due to its enhanced fracture resistance and energy absorption. However, the combined effects of these extreme conditions on SFRC’s mechanical behaviour remain insufficiently explored. This study presents a novel framework for predicting the compressive strength of SFRC subjected to temperatures ranging from 200°C to 1200°C and strain rates from 10⁻⁵/s to 10²/s using advanced machine learning (ML) approaches: Gene Expression Programming (GEP), Multi-Expression Programming (MEP), and XGBoost. A dataset comprising 307 experimental results from published studies was used, with 70 % allocated for training and 30 % for testing and validation. The GEP model demonstrated superior performance with R-values of 0.964, 0.968, and 0.960 for training, validation, and testing, respectively. The MEP and XGBoost models provided reasonable accuracy but underperformed compared to GEP. Global Sensitivity Analysis (GSA) identified temperature and strain rate as the most significant parameters influencing compressive strength, while heating rate had minimal impact. Notably, the study developed a simplified empirical equation through GEP, enabling efficient and accurate strength estimation. This research addresses critical gaps by integrating advanced ML models to predict SFRC behaviour under extreme conditions, offering a reliable and cost-effective alternative to experimental testing. The findings provide valuable insights for optimizing SFRC in critical infrastructure applications, enhancing safety and resilience against fire and blast scenarios. This study’s framework sets a foundation for future work in performance-driven material design.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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