پیش بینی ضریب انبساط حرارتی بتن
ترجمه نشده

پیش بینی ضریب انبساط حرارتی بتن

عنوان فارسی مقاله: پیش بینی ضریب انبساط حرارتی و سایر خصوصیات بتن با استفاده از یادگیری ماشین
عنوان انگلیسی مقاله: Prediction of concrete coefficient of thermal expansion and other properties using machine learning
مجله/کنفرانس: مصالح ساختمانی و ساخت و ساز – Construction and Building Materials
رشته های تحصیلی مرتبط: مهندسی عمران، مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: سازه، هوش مصنوعی
کلمات کلیدی فارسی: بتن، ضریب انبساط حرارتی، یادگیری ماشین، جنگل تصادفی، استحکام فشاری
کلمات کلیدی انگلیسی: Concrete، Coefficient of thermal expansion، Machine learning، Random forest، Compressive strength
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals List – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.conbuildmat.2019.05.006
دانشگاه: Department of Materials Science and Engineering, University of Wisconsin-Madison, Madison, WI 53706, USA
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 4.686 در سال 2018
شاخص H_index: 129 در سال 2019
شاخص SJR: 1.522 در سال 2018
شناسه ISSN: 0950-0618
شاخص Quartile (چارک): Q1 در سال 2018
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 9
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12408
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1. Introduction


2. Database


3. Methods


4. CTE model comparison results and discussion


5. Using machine learning for reducing the necessary tests for CTE


6. Machine learning models for other concrete properties


7. Conclusions


Acknowledgements


Declaration of Competing Interest


Appendix A. Supplementary data


Research Data


References

نمونه متن انگلیسی مقاله

Abstract


The coefficient of thermal expansion (CTE) significantly influences the performance of concrete. However, CTE measurements are both time consuming and expensive; therefore, CTE is often predicted from empirical equations based on historical data and concrete composition. In this work we demonstrate the application of linear regression and random forest machine learning methods to predict CTE and other properties from a database of Wisconsin concrete mixes. The random forest model accuracy, as assessed by cross-validation, is found to be significantly better than the American Association of State Highway and Transportation Officials (AASHTO) recommended prediction methods for CTE, denoted as level-2 and level-3.


Introduction


The objective of this study was to demonstrate the usefulness of using machine learning in predicting a range of concrete properties with an emphasis on concrete coefficient of thermal expansion (CTE). The ability to predict concrete properties using other indicator properties or descriptors can save time and costs related to making and testing materials. While prediction of concrete strengths has been extensively studied using both non-machinelearning and machine-learning techniques [1–۵], there have been fewer studies on prediction of concrete coefficient of thermal expansion (CTE), and none exploring machine learning methods for this property. Concrete CTE is an important input in pavement design, as detailed in the American Association of State Highway and Transportation Officials’ (AASHTO) Mechanistic-Empirical Pavement Design Guide (MEPDG) [6], and has significant effects on slab cracking, joint faulting, and surface roughness [7]. The AASHTO’s MEPDG describes three levels of design input for concrete CTE. Level-1 input is site- or project-specific, and requires testing for concrete CTE using the same materials that would be used for a specific paving project.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

پیش بینی ضریب انبساط حرارتی بتن
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها