A Deep Learning Model for Predicting the Cement Soil Deformation Modulus
Notice bibliographique
Résumé
Cement, widely used for backfill grouting in shield tunnels, plays a crucial role in maintaining the stability of tunnel structures. To enhance the prediction of cement performance, this study focuses on the elastic modulus ( E 50 ) and introduces a novel prediction model based on machine learning─the improved Convolutional Long Short-term Memory (ConvLSTM) model. The model is structured into two key components: differentiating parameter importance and extracting potential spatiotemporal order dependence among features. First, channel attention is employed to update the input of the Convolutional Long Short-term Memory model, enabling the differentiation of parameter importance. Next, the Convolutional Long Short-term Memory model extracts the potential spatiotemporal order dependence among features from the data. Finally, an attention mechanism is integrated to capture essential information. This model has undergone rigorous testing through various experiments to evaluate its predictive capabilities under different conditions. The results indicate that the maximum information coefficient algorithm effectively identifies the correlation with E 50, ranking the influencing factors as follows: strength, cement content, bentonite content, and curing time. Additionally, it was observed that while the Random Forest and Support Vector Regression models perform better with smaller data sets, the Convolutional Long Short-term Memory and Long Short-Term Memory models excel as the volume of data increases. Notably, the Convolutional Long Short-term Memory model outperforms traditional theoretical models, demonstrating higher predictive accuracy. Further experiments on different materials confirm the robust generalization ability of the Convolutional Long Short-term Memory model.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».