AI-based meta model for predicting the performance of low-carbon concrete, considering the effects of multiple waste materials
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Low-carbon concrete incorporating waste materials offers significant environmental benefits while maintaining structural performance. However, designing an optimal mix of these waste materials is challenging due to their potential impact on the concrete properties. To address this challenge, this paper presents a novel meta model that introduces a non-deterministic mix design framework and simultaneously optimizes four performance metrics: environmental (global warming potential), durability (rapid chloride permeability and bulk electrical resistivity), mechanical (compressive strength and splitting tensile strength), and workability (air content and slump). The model is trained using a hybrid dataset combining literature data with response surface methodology (RSM) generated samples. To this end, a Multilayer Perceptron (MLP) neural network is trained to capture the effects of waste materials, including shredded rubber (SR), glass powder (GP), and biomass fly ash (BFA), on concrete performance and is further combined with Monte Carlo simulation to identify optimal mix designs based on specific performance targets. The results demonstrate the AI model’s accuracy in predicting concrete performance, as evidenced by statistical measures such as root mean square error (RMSE), mean absolute error (MAE), and the coefficient of determination (R 2 ). This accuracy is further validated by comparing the AI predictions with laboratory concrete mix results. The results indicated that a 23.1% increase in compressive strength and an 83% decrease in chloride ion permeability were achieved by partially substituting 30% GP for cement. The incorporation of 15% BFA consistently reduced slump by 65% and increased air content by 49%. Moreover, the control mix had the highest GWP at 325 kg CO 2 -eq/m 3 . Using 30% GP, 15% BFA, and 15% SR reduced it to 135 kg CO 2 -eq/m 3 , a 41% decrease. Additionally, the back analysis provides optimized mix designs tailored to specific performance constraints. According to the specified target for designing low-carbon, chloride-resistant, and normal strength (45–55 MPa) concrete, a mixture of waste materials with SR = 3.2%, GP = 25.8%, and BFA = 7.4% is proposed by the developed meta model.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle