Experimental investigation and machine learning-based prediction of brittleness index in heavyweight cement slurries
Notice bibliographique
Résumé
In engineering design, the brittleness index (BI) seems to play a significant role in material selection, failure forecasting, and service performance. Determining BI is traditionally a laborious, expensive, and highly experimental process. This study gives a full framework that combines experimental tests with machine learning methods to model the brittleness behavior of the heavy-weight cement slurries. The study is based on different experimental tests, such as Split Hopkinson pressure bar Test, Uniaxial Compressive Strength Test, Brazilian Test and etc. on mechanical and physical properties of ten different slurry formulations and a dataset of 250 experimental observations from these formulations, each with 14 independent input parameters. Fourteen machine learning models were created, and their accuracy and dependability were statistically compared, and a new Equation has been developed for estimating the BI based on the test results. Gaussian process regression and support vector regression were the two most accurate models based on interaction with each of the models; when using the full set of input variables, their R 2 values ranged from 0.93 to 0.97. When variable selections were applied to the final models, the number of features taken into consideration was lowered to eight, which resulted in further accuracy improvements and R 2 values ranging from 0.940 to 0.990. Even though every factor affected the BI, EP had the biggest impact; the main goal of some additives was to lessen brittleness. By using more sophisticated machine learning algorithms, this research provides a new method for predicting business intelligence, which lowers the time and expense required and improves decision-making.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».