Une simulation d'intelligence computationnelle pour prédire la résistance à la compression du béton autoplaçant utilisant le laitier de Linz-Donawitz comme dérivé d'industrie.An experimental and computational intelligence simulation for predicting the strength accuracy of self-compacting concrete using Linz-Donawitz Slag as industrial waste derivatives.
- Utilisation du laitier de Linz-Donawitz comme additif dans le béton autoplaçant.
- Modèle CNN-LSTM performant pour prédire la résistance à la compression.
- Analyse SHAP et PDP pour identifier les variables influentes.
L'article traite de l'ingénierie des matériaux et de l'apprentissage automatique, sans lien avec les neurosciences, la psychologie ou la médecine. La source PubMed est mal classée, et le contenu ne répond pas aux besoins de NeuroWatch.
Domaine d'application hors neurosciences, malgré la source PubMed. Absence de validation en conditions réelles ou sur des données externes. Faible pertinence pour les praticiens en santé mentale ou neurologie.
Cet article explore l'utilisation du laitier de Linz-Donawitz (LDS) comme remplacement partiel du ciment dans le béton autoplaçant (BAP), avec un accent sur le développement d'un modèle prédictif de la résistance à la compression. Plusieurs modèles d'apprentissage automatique (ML), notamment CNN-LSTM, ont été testés, avec une performance supérieure pour le modèle hybride (R² ≈ 0,931). L'analyse SHAP et PDP a identifié le contenu de ciment et de LDS comme facteurs clés. Bien que le modèle CNN-LSTM soit efficace, les limites incluent un petit jeu de données et l'absence de validation en conditions réelles. Cependant, le sujet relève de l'ingénierie des matériaux, non des neurosciences, ce qui limite sa pertinence pour NeuroWatch.
Utilisation du laitier de Linz-Donawitz comme additif dans le béton autoplaçant. Modèle CNN-LSTM performant pour prédire la résistance à la compression. Analyse SHAP et PDP pour identifier les variables influentes. Limites liées à la taille restreinte des données expérimentales.
Pas directement applicable aux neurosciences ou à la médecine. Peut inspirer des approches ML dans d'autres domaines de la santé, mais non pertinent ici.
Faible