AI-based meta model for predicting the performance of low-carbon concrete, considering the effects of multiple waste materials
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,001 | 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) | 0,002 | 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 ».