High-fidelity data-driven multi-objective design of class F fly ash–geopolymer concrete
Notice bibliographique
Résumé
Class F fly-ash geopolymers (FA-GPCs) can slash the CO₂ burden of structural concrete, yet their mix design still relies on costly trial-and-error. The first geometry-normalized database of FA-only geopolymer concretes was assembled—799 mixes from 67 publications, every reported strength converted to the 150 Ø 300 mm cylinder equivalent—and interrogate it with a three-scenario, data-availability workflow. Eighteen machine-, deep- and hybrid-learning models are benchmarked; a Voting ensemble predicts 7–28 days compressive strength with an R 2 of 0.962, while an LSTM + XGBoost hybrid forecasts mix-specific CO₂ footprints at an R 2 of 0.996. SHAP analysis reveals that the Si/Al ratio and initial curing temperature dominate early-age strength, whereas total Na₂SiO₃/NaOH and Na₂O/binder ratios control embodied carbon, underscoring an inherent strength–footprint trade-off. These surrogate models feed a multi-objective optimizer (NSGA-II, confirmed superior to NSGA-III and MOEA/D) that explores the 1st–99th-percentile bounds of 11 mix variables. The resulting Pareto fronts deliver eco-efficient recipes reaching 65 MPa at ≤30 kg CO₂/m 3 (at 90-d curing age) and extend to 87 MPa under relaxed carbon targets. Compared with state-of-the-art optimization that rely on mixed precursors or un-normalized data, the proposed pipeline widens the design space, lifts strength by 10–20 MPa and trims CO₂ by up to 70 %. The framework— in this order: data curation, geometry correction, scenario-specific ML, evolutionary optimization—cuts trial batching efforts and offers practitioners ready-to-deploy, class F FA-GPC mixtures while providing a transparent template for other alkali-activated binders which was confirmed by an experimental validation. • Geometry-normalized database of ~800 FA-geopolymer mixes enables apples-to-apples ML. • Voting ensemble predicts 7–28-d strength at R 2 = 0.962; LSTM + XGBoost CO₂ at R 2 = 0.996. • SHAP shows Si/Al ratio and curing-T drive strength, while Na-metrics govern CO₂ footprint. • NSGA-II yields Pareto mixes hitting 65 MPa at ≤30 kg CO₂/m 3 (90-d curing). • Framework cuts trial batches and offers ready-to-use class F FA-GPC recipes.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».