Development and field based validation of a predictive model for concrete compressive strength using fresh state properties in a large scale construction project
Notice bibliographique
Résumé
Estimation of a compressive strength of concrete earlier than for a standard 28 day test remains a highly challenging issue in construction industry on a large scale, where the quality control is merged with efficient scheduling and sustainable construction. This work presents a predictive model validated under real field conditions, through the processing of data collected in 4872 concrete cylinders produced in an infrastructure work with a total cast volume of 25,000 m³. The models are based on fresh state parameters temperature, slump, air content, and density that are commonly tested in the field, and are used to predict 7 and 28 days compressive strength for 35 and 40 MPa designs. Selected were three statistical methods including multiple linear regression as the base method, principal component analysis for dimensionality reduction, and LASSO regularization with interaction terms. Cross validation results showed the robust performance and the adjusted R² value was as high as 0.71 and RMSE was less than 3.4 MPa. While LASSO tightened model parsimony and did not reduce prediction efficiency, PCA increased precision in the context of multicollinearity and only slightly at the cost of precision. A strong correlation between early and late strength (0.84 and 0.74 for 35 MPa and 40 MPa, respectively) supports the use of early age results as practical predictors. The compressive strength prediction module was validated with real project data, providing ±RMSE confidence bands for operational use. These findings demonstrate that statistical modeling can be integrated into quality control workflows, enabling data driven decisions in concrete production and placement.
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 ».