Machine learning in concrete durability: challenges and pathways identified by RILEM TC 315-DCS towards enhanced predictive models
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
Abstract This review provides an in-depth examination of machine learning applications in assessing concrete durability from 2013 to 2024, with a particular focus on critical degradation mechanisms, including carbonation, chloride-induced deterioration, sulfate attack, frost damage, shrinkage, and corrosion. It underscores the field’s heavy reliance on laboratory-based data and notes the limited use of field data and the scarcity of newly generated datasets. The review reveals that most studies utilize existing literature-based datasets, with few contributing novel data and limited open access to these databases, which hampers broader validation and application. The review classifies the features analyzed in studies into categories such as mixture proportions, engineering properties, exposure conditions, test parameters, and chemical compositions, highlighting a growing emphasis on chemical compositions. Modeling approaches are predominantly standalone, though ensemble and hybrid models are increasingly prevalent, with ensemble models showing particularly strong performance in recent years. High accuracy is observed across studies, with ensemble models, neural networks, and hybrid models leading in performance. Furthermore, the review stresses the growing importance of model explainability, noting that model-agnostic methods like SHAP are frequently used and that the focus on explainability has increased. To propel the field forward, the review advocates for the development of diverse new datasets that include both the chemical and physical properties of various mix ingredients and improved data-sharing practices. It recommends adopting a multi-task learning approach to simultaneously address multiple deterioration mechanisms, which can yield deeper insights and support the creation of more durable concrete structures.
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 | 0,000 | 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 découle