Machine learning approaches for RCPT modeling of concrete
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
Chloride ion penetration can lead to the corrosion of embedded steel reinforcement in concrete and deteriorate its durability. One of the commonly used methods for determining the durability of concrete is the rapid chloride permeability test (RCPT). The accurate prediction of RCPT is essential in optimizing concrete mixture design. In this study, RCPT modeling was conducted using a dataset of 469 samples. The contributions of this study are to apply a large-scale dataset with essential variables, to identify the optimal variables to maximize the performance of RCPT prediction models, to determine the most accurate prediction method for RCPT prediction, and to introduce a novel algorithm to tune hyperparameters of machine learning methods. To this end, first, feature selection was implemented to select the optimal variables. Then, different machine learning methods were used to predict RCPT. A novel less-parameter algorithm (STML) was adjusted to tune hyperparameters considering multiple metrics, which was considerably more accurate than the conventional tuning method. The results suggested that eXtreme Gradient Boosting tuned by STML was the best-performing model, with an MAE of 38.893 coulombs. Subsequently, SHapley Additive exPlanation was synchronized with the best-performing model, and the results showed that the test temperature had the highest relative influence on RCPT, followed by fly ash to binder ratio, silica fume to cement ratio, and coarse aggregate content. Finally, the Partial Dependence Plots were applied to capture the influence direction of different variables on RCPT, allowing the identification of the optimal range of materials to minimize RCPT. • All the vital features to accurately predict RCPT are identified. • A novel less-parameter algorithm is developed to tune hyperparameters. • XGB tuned by STML is the best-performing model. • Test temperature has the highest relative influence on RCPT. • The optimal range of variables to minimize RCPT is determined.
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