Dynamic Probabilistic Modeling of Concrete Strength: Markov Chains and Regression for Sustainable Mix Design
Notice bibliographique
Résumé
Concrete is fundamental to modern construction, comprising 70% of all building materials and supporting an industry projected to reach $15 trillion by 2030. Predicting compressive strength—a key factor for structural safety and resource efficiency—remains a challenge, as conventional models often fail to capture the dynamic, time-dependent nature of strength development across mix compositions and curing intervals. This study proposes an integrated modeling framework using Markov Chain analysis and regression, validated on 135 samples from 27 mixtures with varying proportions of Portland Cement (PC), Fly Ash (FA), and Blast Furnace Slag (BFS) over curing periods from 3 to 180 days. The Markov Chain framework, integrated with regression analysis, models strength transitions across 10 states (9–42 MPa), with high accuracy (R2 = 0.977, standard error = 3.27 MPa). Curing time (β = 0.079), PC proportion (β = 0.063), and BFS proportion (β = 0.051) are identified as key drivers, while higher FA content (β = 0.019) enhances long-term durability. Model validation using Coefficient of Variation (CoV = 15.57%) and mean absolute error confirms robust and consistent performance across mix designs. The framework supports tailored mix strategies—PC for early strength, BFS for durability, FA for sustainability—empowering engineers to optimize mix selection and curing strategies for efficient and durable concrete applications.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».