Video Experimental Relacionado
Updated: Feb 3, 2026

Detecting the Water-soluble Chloride Distribution of Cement Paste in a High-precision Way
Published on: November 21, 2017
Predicción de la Resistencia a la Compresión en Pasta de Cemento de Sulfoaluminato Derivada de Residuos mediante
1Institute of Urban Environment, Chinese Academy of Sciences, Xiamen 361021, China; State Key Laboratory of Advanced Environmental Technology, Institute of Urban Environment, Chinese Academy of Sciences, Xiamen 361021, China; State Key Laboratory of Regional and Urban Ecology, Institute of Urban Environment, Chinese Academy of Sciences, Xiamen 361021, China; Zhejiang Key Laboratory of Urban Environmental Processes and Pollution Control, CAS Haixi Industrial Technology Innovation Center in Beilun, Ningbo 315830, China.
Los modelos de aprendizaje automático predicen la resistencia del cemento de sulfoaluminato (SAC) utilizando residuos industriales. Este enfoque basado en datos optimiza la producción al identificar factores clave como la composición de las materias primas, mejorando la síntesis de cemento sostenible.
Área de la Ciencia:
- Ciencia de Materiales; Ingeniería Química; Ciencia de Datos
Sus antecedentes:
- Los residuos sólidos industriales ofrecen potencial como materias primas alternativas para la síntesis de cemento de sulfoaluminato (SAC).
- La composición compleja de estos residuos conduce a una variabilidad en el rendimiento en la producción de SAC.
- La optimización de la producción de SAC requiere una predicción precisa de las propiedades del material, como la resistencia a la compresión.
Objetivo del estudio:
- Desarrollar y validar modelos de aprendizaje automático (ML) para predecir la resistencia a la compresión de pastas de SAC.
- Identificar los factores críticos que influyen en la resistencia a la compresión del SAC, en particular la composición de la materia prima.
- Proporcionar una herramienta basada en datos para la selección eficiente de materias primas y la optimización de procesos en la producción sostenible de SAC.
Principales métodos:
- Se utilizó un conjunto de datos de 707 puntos de datos de la literatura para entrenar y probar modelos de ML.
- Se emplearon enfoques de ML de conjunto, incluidos Random Forests (RF) y Redes Neuronales (NN).
- Se utilizaron técnicas de interpretación de modelos para determinar la importancia de las características y las correlaciones con la resistencia a la compresión.
Principales resultados:
- El modelo de conjunto RF+NN logró una alta precisión de predicción, con un R² de prueba de 0.87.
- La composición de la materia prima se identificó como el factor más significativo, representando el 34.9% de la importancia de la predicción.
- El modelo de ML validado demostró errores de predicción inferiores al 10.82% en experimentos independientes utilizando residuos peligrosos.
Conclusiones:
- El aprendizaje automático proporciona una herramienta precisa y basada en datos para predecir la resistencia a la compresión del SAC.
- El modelo desarrollado permite la selección rápida de materias primas y la optimización de procesos para la producción sostenible de SAC.
- Este enfoque ofrece una vía rentable y que ahorra mano de obra para acelerar el uso de residuos industriales en la fabricación de cemento.
Más Videos Relacionados
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
Videos de Conceptos Relacionados
Porosity in Cement Paste
The balance of water to cement in the mix is...
Strength of Cement
For compressive strength tests, ASTM C 109-05 standards prescribe a cement-sand mix ratio of 1:2.75 and a water/cement ratio of 0.485 for making 2-inch cubes. These cubes are mixed, cast, and cured in saturated lime water at 23°C until testing. Flexural strength testing, outlined in...
Relation Between Tensile Strength and Compressive Strength of Concrete
Hydration of Cement
Soundness of Cement
Acid Strength and Molecular Structure
In the absence of any leveling effect, the acid strength of binary compounds of hydrogen with nonmetals (A) increases as the H-A bond strength decreases down a group in the periodic table. For group 17, the order of increasing acidity is HF < HCl < HBr < HI. Likewise, for group 16, the order of increasing acid strength is H2O < H2S < H2Se < H2Te. Across a row in the periodic table, the acid strength of binary hydrogen compounds increases with increasing...