Assessment of compressive strength of eco-concrete reinforced using machine learning tools
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
Predicting the compressive strength of Compressed Earth Blocks (CEB) is a challenging task due to the nonlinear relationships among their diverse components, including cement, clay, sand, silt, and fibers. This study employed PyCaret, an automated machine learning platform, to address this complexity by developing and evaluating predictive models. The analysis demonstrated that fiber content exhibited a strong positive correlation with cement content, with a correlation coefficient of 0.9444, indicating a significant influence on compressive strength. Multiple machine learning algorithms were tested using metrics such as the coefficient of determination (R2), root mean square error (RMSE), and mean absolute error (MAE) to assess model performance. Among these, the Extra Trees Regressor showed the best predictive capability with R2 = 0.9444 (highly accurate predictions), RMSE = 0.4909 (low variability in prediction errors) and MAE = 0.1899 (minimal average prediction error). The results confirm that PyCaret effectively automates the machine learning workflow, enabling accurate modeling of complex material behavior. The Extra Trees Regressor outperformed other algorithms due to its ability to handle highly nonlinear and multivariate datasets, making it particularly well-suited for predicting the compressive strength of CEB. This approach offers a significant advantage over traditional laboratory testing, which is time-consuming and resource-intensive. By incorporating machine learning techniques, especially using PyCaret’s streamlined processes, the prediction of CEB strength becomes more efficient and reliable, providing a practical tool for engineers and researchers in material science.
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) | 0,000 | 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