Predicting compressive strength of red mud-based geopolymers via machine learning: Insights from experimental validation
Notice bibliographique
Résumé
Red mud, a challenging industrial by-product, poses a significant environmental challenge due to its increasing stockpiling. Its use as environmentally functional materials received increasing attention but requires good understanding of the compressive strength. This study employed machine learning (ML) approaches to develop a predictive model linking the composition (precursor, alkali activator) and curing conditions of red mud-based geopolymers (RMG) to their compressive strength. Among the nine studied ML algorithms, XGB model yielded the highest accuracy, achieving a coefficient of determination (R 2 ) above 0.9 in both training and testing. To improve the explainability of ML models, Shapley Additive exPlanations (SHAP) was employed to interpret the relative influence of input features on compressive strength prediction. The analysis highlighted the critical impact of calcium oxide content (RM_C), curing time (CC_CT), and alkali activator modulus (AC_S/N). Experiments were also designed based on these insights to validate the model's behavior concerning these key factors, with an average prediction accuracy error within 30%. Consequently, the machine learning based approach enhances the development efficiency for RMG, providing a new paradigm for the efficient materialization of similar solid wastes for sustainable development. • Machine learning models were developed to predict the compressive strength of RMG • XGB model achieved R 2 > 0.9 in both training and testing • SHAP analysis identified key strength-governing factors to guide experimental design • Experiments demonstrated the reliability of XGB model • Results can support the development of eco-friendly building materials from red mud
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 ».