Explainable machine learning predictive model for mechanical strength of recycled ceramic tile-based concrete
Notice bibliographique
Résumé
Valorizing industrial byproducts in construction applications is a promising approach for enhancing sustainability. Global annual production of ceramic waste including broken tiles is a considerable challenge. Yet, such ceramic tile waste has great potential in sustainable concrete production, for instance as fine and coarse aggregate. Effective use of ceramic tile waste in concrete requires accurate prediction of recycled tile concrete mechanical strength. This study deploys state-of-the-art machine learning techniques for predicting the compressive and tensile strength of ceramic tile-based concrete. The authors recently performed an extensive experimental program on the mechanical characterization of ceramic tile-based concrete, allowing to build a comprehensive database of 252 data points with varying key mixture proportions. The latter was used to develop a data-driven machine learning (ML) modeling framework for predicting the mechanical properties of the concrete using XGBoost, CatBoost, LightGBM, and Extra Trees regressors. The independent variables of the dataset affecting mechanical strength included the cast density, percentage of ceramic tiles used as coarse and fine aggregate, water-to-cement ratio, water absorption capacity, and hydration age. The influence of different input features on the model predictions was visualized using SHAP feature importance plots. Ultimately, a machine learning-based and user-friendly graphical interface was created and made available through the Streamlit platform to aid in the design of ceramic tile-based sustainable concrete.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».