A transformer-based machine learning model for optimizing the design of cementitious mixtures with mine tailings as supplementary cementitious materials
Notice bibliographique
Résumé
Realizing the full potential of incorporating mine tailings as supplementary cementitious materials (SCMs) to replace ordinary Portland cement (OPC) requires carefully balancing the benefits—such as cost reduction and emissions mitigation—while ensuring the mixtures achieve the required strength. Given the demonstrated effectiveness of combining machine learning (ML) with optimization algorithms in similar multi-objective optimization (MOO) problems, for the first time, this study employed a novel tabular prior data fitted network (TabPFN) model to forecast the uniaxial compressive strength (UCS) of those mix designs. The TabPFN model outperformed traditional boosting ML models, achieving an R 2 of 0.973 and a low prediction error of 2.115 MPa. Notably, its pre-trained architecture reduced computational time by 1045 s. Building on this, a MOO case study was developed using the TabPFN model to predict UCS as the first objective, alongside separate equations used as objective functions to calculate cost and total emissions. This MOO problem was tackled using the non-dominated sorting genetic algorithm-II (NSGA-II). The optimized mixture designs achieved better balances between strength, cost, and emissions than those obtained through experimental methods, validating the use of this ML-based method for mixture design. Finally, a software tool—GreenMix AI—was developed to provide integrated access to the entire framework, translating advanced research into practical application. In essence, this research supports the reuse of mine tailings as SCMs and provides a practical pathway to developing more economical and sustainable cementitious mixtures.
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 ».