Data-driven assessment of corrosion in reinforced concrete structures embedded in clay dominated soils
Notice bibliographique
Résumé
The integration of Artificial Intelligence techniques, particularly Artificial Neural Networks (ANNs), has transformed predictive modeling in structural and durability engineering. This study investigates the use of ANN-based approaches to predict the corrosion rates of mild steel reinforcement embedded in cementitious composites subjected to clay-dominated soil environments. Key environmental parameters, sodium chloride (NaCl) content (0-4%), inhibitor dosage (DOI) (0-5%), and exposure duration (30-180 days), were selected as input variables. Two ANN architectures, Feedforward Backpropagation (FFBP) and Cascadeforward Backpropagation (CFBP), were developed and trained using 72 experimental data points extracted from the literature. The FFBP model outperformed CFBP in terms of predictive accuracy, achieving a correlation coefficient (R) of 0.998, a mean absolute percentage error (MAPE) of 30.43%, and a root mean square error (RMSE) of 0.071 during testing. Sensitivity analysis revealed that inhibitor dosage had the most significant influence on corrosion behavior, followed by NaCl concentration and exposure duration. The findings confirm that ANN models can effectively capture the nonlinear interactions governing corrosion progression, even under complex environmental conditions associated with clayey soils. This research provides a reliable and practical AI-driven framework for assessing corrosion risk, guiding material design, and enhancing long-term infrastructure durability in aggressive subsurface conditions. The study underscores the growing relevance of machine learning in simulating time-dependent deterioration processes in geotechnical and structural materials.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».