Artificial neural network modeling of self-compacting concrete mixed and cured with seawater for compressive strength and chloride penetration prediction
Notice bibliographique
Résumé
The large-scale use of concrete requires reliable quality assessment to ensure workability, mechanical properties, and durability. Conventional testing methods are often costly and time-consuming. This study explores predictive modeling as an efficient alternative, focusing on self-compacting concrete (SCC) produced and cured with seawater, silica fume, and fly ash. Workability indicators, including slump flow, J-ring, visual stability index (VSI), and air content, were used to predict compressive strength and chloride concentration. Artificial neural networks (ANNs) and Classification and Regression Trees (CART) were applied. The ANN models achieved high accuracy, with compressive strength predicted at a minimum mean squared error (MSE) of 0.085638. The chloride content prediction achieved an R² of 0.9429. CART analysis revealed that air content was the most significant factor influencing compressive strength, while the J-ring had the strongest impact on chloride content. A comparative study demonstrated that ANNs outperformed random forest regression in predictive capability. These results highlight the value of machine learning in concrete research, offering a cost-effective and time-saving method for property evaluation. The findings also support the sustainable use of seawater and supplementary cementitious materials in the production of concrete. The novelty of this study lies in predicting the compressive strength and chloride ion concentration of self-compacting concrete produced and cured with seawater and pozzolans. Neural networks and machine learning were applied for this prediction, an approach not previously explored.
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 | 0,000 |
| 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 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 ».