Enhancing efficiency in evaluating alkali-silica reaction (ASR) damage: an automated approach to point-count microscopy
Notice bibliographique
Résumé
The damage rating index (DRI) is a valuable microscopy tool for collecting and counting data on different types of concrete cracks, such as those associated with alkali-silica reaction (ASR) induced deterioration. Yet, the procedure presents drawbacks such as time consumption and variability linked to operator experience, which has sparked debates about the subjectivity of its outcomes. Embracing the forefront of technological advancements, this study explores the practicality of automating the DRI's data collection through artificial intelligence (AI) and machine learning. Like many image processing and analysis applications that use AI, the DRI is an object classification and segmentation task. This study represents a step forward in leveraging automation to enhance the objectivity and efficiency of ASR damage characterization in concrete through point-count microscopy, along with proposing a set of tools to evaluate the outcomes from the application’s perspective for more efficient training data selection. Results show that despite obtaining acceptable performance individually, where the detector-classifier performance was found to have an accuracy of 0.744, and the crack counter accuracy was 0.988, the current version of the proposed machine still displays high variability in detecting, classifying, and counting distinct crack types. Overall, the machine overestimates ASR-induced damage, which was further verified through the Chi-square goodness of fit test, indicating that further training and enhancement of the proposed machine are required.
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 | 0,001 |
| 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 ».