Predicting workability and mechanical properties of bentonite plastic concrete using hybrid ensemble learning
Notice bibliographique
Résumé
Heavy metal contamination in wastewater poses severe environmental challenges, highlighting the urgent need for efficient and cost-effective solutions. While bentonite incorporation in concrete mixtures has shown promise in adsorbing heavy metals, its experimental validation-through Bentonite Plastic Concrete (BPC)-is hindered by high costs, labor-intensive procedures, and the need for specialized equipment. This study overcomes these barriers by introducing hybrid ensemble learning models, optimized with Forensic-Based Investigation Optimization (FBIO), to predict BPC's workability and mechanical properties, including slump (S), tensile strength (TS), and elastic modulus (E). Using input parameters such as gravel, bentonite, silty clay, curing time, sand, cement, and water, models including Random Forest (RF), Adaptive Boosting (ADB), Extreme Gradient Boosting (XGB), and Gradient Boosting Regression Tree (GBRT) were developed. Notably, GBRT-FBIO achieved the highest accuracy for E predictions, while XGB-FBIO excelled for TS and S. Shapley Additive Explanation (SHAP) analysis identified water as the most critical factor influencing slump (+ 0.11) predictions while curing time emerged as the key determinant for TS (+ 0.18) and E (+ 0.12) predictions. Additionally, a user-friendly online tool was developed to enable the real-time application of these models, reducing reliance on costly experimental methods. This work addresses key challenges in experimental BPC testing, offering a transformative computational approach for advancing civil engineering materials research.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».