مقاله انگلیسی رایگان در مورد پیش بینی ضریب انبساط حرارتی بتن – الزویر ۲۰۱۹

elsevier

 

مشخصات مقاله
ترجمه عنوان 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
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۹ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس میباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۴٫۶۸۶ در سال ۲۰۱۸
شاخص H_index ۱۲۹ در سال ۲۰۱۹
شاخص SJR ۱٫۵۲۲ در سال ۲۰۱۸
شناسه ISSN ۰۹۵۰-۰۶۱۸
شاخص Quartile (چارک) Q1 در سال ۲۰۱۸
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر دارد
رفرنس دارد
رشته های مرتبط مهندسی عمران، مهندسی کامپیوتر
گرایش های مرتبط سازه، هوش مصنوعی
نوع ارائه مقاله
ژورنال
مجله / کنفرانس مصالح ساختمانی و ساخت و ساز – Construction and Building Materials
دانشگاه  Department of Materials Science and Engineering, University of Wisconsin-Madison, Madison, WI 53706, USA
کلمات کلیدی بتن، ضریب انبساط حرارتی، یادگیری ماشین، جنگل تصادفی، استحکام فشاری
کلمات کلیدی انگلیسی Concrete، Coefficient of thermal expansion، Machine learning، Random forest، Compressive strength
شناسه دیجیتال – doi
https://doi.org/10.1016/j.conbuildmat.2019.05.006
کد محصول  E12408
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
۱٫ Introduction
۲٫ Database
۳٫ Methods
۴٫ CTE model comparison results and discussion
۵٫ Using machine learning for reducing the necessary tests for CTE
۶٫ Machine learning models for other concrete properties
۷٫ Conclusions
Acknowledgements
Declaration of Competing Interest
Appendix A. Supplementary data
Research Data
References

 

بخشی از متن 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.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *