Exploring Sustainable Solutions: Parametric Analysis and Machine Learning for Finger-Jointed Casuarina Glauca Beams
Notice bibliographique
Résumé
The construction industry is responsible for approximately 39% of global carbon dioxide emissions, driven by the energyintensive production of materials like cement and steel, as well as resource-depleting practices that contribute to deforestation, biodiversity loss, and pollution.To mitigate this environmental impact, the adoption of sustainable construction materials is critical.Casuarina Glauca, a hardwood species, emerges as a promising alternative due to its eco-friendly nature, high mechanical strength, and availability in regions with arid climates.However, its short timber lengths (0.8-1.2 m) limit its direct application in structural framing.This study explores the use of adhesive-reliant finger joints to address this limitation, enabling the creation of longer beams while retaining environmental benefits.A parametric analysis using finite element modelling in Abaqus was conducted to optimize joint configuration, amplitude, finger density, and adhesive type.Results show that increasing finger count (up to 16 per 10 cm) and amplitude (up to 50 mm) significantly enhances bending capacity, with Epoxy-bonded joints achieving up to 95% capacity, outperforming PVAbased alternatives.Additionally, a machine learning framework was developed to predict beam performance, leveraging models such as XGBoost, which achieved an R² of 0.9263 and RMSE of 0.0329.This predictive approach enables efficient design optimization, minimizing resource consumption and reducing testing costs.By combining numerical modelling and machine learning, this research addresses the limitations of Casuarina Glauca, promoting its use as a sustainable, high-performance material in construction.These findings pave the way for reducing construction-related emissions and costs while advancing eco-friendly engineering solutions.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».