利用骨料码头是提高和提高软土轴承能力的方法之一。这些码头的最终轴承能力受参数的影响,例如墩的物理特性,结构条件,墩的嵌入深度和piers的替换比,这使轴承能力的估计复杂化。在这项研究中,将基因表达编程方法用于预测用骨料码头增强的粘土土壤的最终轴承能力。For this purpose, two different models were developed, of which the first model (GEP2) utilized two input variables, the undrained shear strength of clay (S u ) and replacement ratio (a r ), while the second model (GEP4) used four input variables including the undrained shear strength of clay (S u ), replacement ratio (a r ), slenderness ratio (S r ), and embedment depth of码头(D F)。GEP2模型的确定系数和GEP4模型分别为0.921和0.942。此外,将该研究的GEP4模型与先前研究的开发模型进行了比较,证实了GEP4模型的出色性能,考虑到输入参数的准确性和数量。敏感性分析的结果表明,粘土(S U),替换比(A R),细长比(S R)和墩的嵌入深度(D F)的未排水剪切强度分别对轴承能力的预测具有最大的影响。此外,参数分析表明,增加S u,a r,s r和d f将提高骨料码头增强粘土的轴承能力。
使用从拆除废物中产生的再生骨料来生产混凝土是减少建筑环境对环境影响的一种有希望的选择。然而,预测再生骨料混凝土的硬化性能是其在建筑领域大规模部署的主要障碍之一。由于传统的经验方法对于预测新的再生骨料配方的性能不太可靠,近年来,人工智能方法已得到广泛发展,以实现这一目标。在本文中,我们对预测再生骨料混凝土的机械性能和进行敏感性分析的人工智能 (AI) 方法进行了广泛的文献综述。本研究对文献中发现的主要方法和算法的适用性、准确性和计算要求进行了详尽的描述、检查和讨论。此外,还强调了各种算法的优点和缺点。人工智能算法已在各种预测应用中取得了成功,并且准确率很高。虽然这些算法是用于估计再生骨料混凝土混合物成分和机械性能的强大预测工具,但它们的性能高度依赖于数据结构和超参数选择。这项研究可以帮助工程师和研究人员更好地决策使用人工智能算法进行机械性能预测和/或优化再生骨料混凝土的配方。
使用高级机器学习(ML)的物理信息建模(PIM)代表混凝土技术领域的范式转变,提供了科学严谨和计算效率的有效融合。通过利用基于物理原理和数据驱动算法之间的协同作用,PIM-ML不仅简化了设计过程,还可以增强混凝土结构的可靠性和可持续性。随着研究继续完善这些模型并验证其性能,他们的采用有望彻底改变整个全球建筑项目中混凝土材料的设计,测试和利用。在这项研究工作中,一项广泛的文献综述,生成了一个全球代表性数据库,用于沉迷于可回收骨料混凝土的裂纹拉伸强度(FSP)。测量并列出了研究的混凝土组件,例如C,W,NCAG,PL,RCAG_D,RCAG_P,RCAG_WA,VF和F_TYPE。将收集的257个记录分为200个记录(80%)的培训集和57个记录(20%)的验证集(20%),以与数据库的更可靠分区相符。使用“ WEKA数据挖掘” 3.8.6版创建的五种高级机器学习技术用于预测FSP,并且还使用了Hoffman&Gardinger方法和性能指标分别评估变量和ML模型的灵敏度和性能。结果表明,KSTAR模型证明了模型之间的性能和可靠性水平最高,以0.96的r 2为0.96,精度为94%。其RMSE和MAE在0.15 MPa时均较低,表明预测和实际值之间的偏差很小。其他指标,例如WI(0.99),NSE(0.96)和KGE(0.96),进一步证实了该模型的效率和一致性,使其成为实用应用的最可靠工具。的灵敏度分析还表明,水含量(W)在40%处发挥了最大的影响,这表明混合物中的水量是实现最佳拉伸强度的关键因素。这强调了需要仔细的水管理以平衡可持续混凝土生产中的可行性和力量。粗大的天然聚集物(NCAG)具有38%的实质影响,表明其在维持混凝土混合物的结构完整性中的重要作用。
间隔是代表与数据相关的不确定性的流行方式,在这种方式中,我们将每个观察结果视为间隔的宽度的模糊性。但是,在为此目的使用间隔时,我们需要使用适当的数学工具来使用。这可能是有问题的,这是由于与NuMerical的功能相比,间隔值函数的稀缺性和复杂性。在这项工作中,我们建议将Sugeno积分的概括扩展到与间隔值数据的工作。然后,我们在两个不同的设置中使用此积分对Aggregate间隔值数据进行:首先,我们研究了在脑部计算机界面中间隔的使用;其次,我们研究了如何在社交网络中构建间隔值的关系,以及如何汇总他们的信息。我们的结果表明,在两种情况下,间隔值数据可以有效地对数据的某些不确定性和联盟进行建模。对于大脑计算机界面的情况,我们发现我们的结果超过了其他间隔值函数的结果。
。cc-by 4.0国际许可证是根据作者/资助者提供的,他已授予MedRxiv的许可证,以永久显示预印本。(未通过同行评审认证)
机械和设备的安装或搬迁以及操作(包括但不限于实验室设备,电子硬件,制造机械,维护设备以及健康和安全设备),只要使用已安装或重新定位的物品与接收结构的一般任务一致。涵盖的动作包括对现有建筑物的修改,在设备安装和搬迁所必需的先前干扰或发达的区域内或连续。这种修改不会明显增加现有建筑物的占地面积或高度,或者有可能对环境影响的类型和幅度进行重大变化。b3.6小规模的研发,实验室操作和试点项目
图2。与MTA直接接触的永久性和落叶牙齿的牙髓细胞增殖。Y轴表示由细胞转换的Yel-poly颜色甲阵的光密度。缩写:P-cont,牙髓细胞,来自未涂有白色MTA的板上的固定牙齿; D-cont,来自落叶牙齿上未涂有白色MTA的板上的牙髓细胞; P-MTA,牙髓细胞,来自涂有白色MTA的板上的恒牙; D-MTA,牙髓细胞来自未涂有白色MTA的板上的落叶牙。
利用废弃混凝土建筑作为骨料生产新型再生混凝土是建筑材料和环境保护的重要发展方向 (Pepe et al. 2016; Pandurangan et al. 2016; Shahidan et al. 2013; Md Nor et al. 2011; Kudus et al. 2012; Shahidan et al. 2011; Shahidan et al. 2017)。根据 Silva et. al. (2018) 的说法,2008 年欧洲立法中的 2008/98/EC 指令旨在到 2020 年,所有无害和非天然建筑和拆除废物 (CDW) 中至少 70% 的重量应被再利用和回收 (Silva, de Brito & Dhir, 2018)。而在香港,每天产生 37,000 吨 CDW,因此政府采取了一项政策来支持任何促进使用再生骨料的创新项目(Poon 等人,2004 年)。人们对再生骨料进行了广泛的研究,然而,由于现有标准和规范有限等原因,从业者仍然不确定再生骨料对混凝土性能的影响(Silva、de Brito 和 Dhir,2018 年;Tam、Soomro 和 Evangelista,2018 年)。
土壤微生物和酶通过促进土壤骨料形成和稳定性以及参与SOC循环和积累来在土壤有机碳(SOC)隔离中起关键作用。然而,土壤微生物和酶充当促进快速城市化过程中SOC动态变化的介体的影响尚不清楚。因此,本研究选择了中国南昌市(505 km 2)的建设区域,作为研究区域。采样调查,以区分不同的城市化水平。使用土壤微生物群落和酶活性分析了城市化过程中不同聚集体的动态变化的驱动因素。结果表明,随着城市化强度的增加,SOC含量和股票都显着下降(p <0.05)。在0.25–1 mM的聚集体中观察到最高的SOC股票和贡献率,它们受到城市化的显着影响(p <0.05)。此外,革兰氏阳性细菌(G+)和放线症的生物量以及低腹膜化区域中N-乙酰基葡萄糖氨基酶和酸性磷酸酶(AP)的活性显着高于高腹化区域(P <0.05)。soc与真菌,羊膜霉菌真菌,G+,革兰氏阴性菌,静脉肌动症,原生代,β-1,4-葡萄糖苷酶,N-乙酰基果糖酰胺酶,AP,catalase和Catalase和Catalase和Catalase。与土壤酶相比,土壤微生物在SOC固结中表现出更大的作用(22.7%)。 这些与土壤酶相比,土壤微生物在SOC固结中表现出更大的作用(22.7%)。这些此外,结构方程模型表明,城市化可以直接或间接导致骨料SOC的降低,从而改变土壤的物理化学特性并影响微生物和酶动力学。但是,较大的植被特征索引减轻了城市化对SOC的负面影响。总体而言,城市化对土壤碳储存产生了负面影响。将来,重要的是考虑着专注于改善土壤养分,维持土壤结构,保护现有城市树木并增强植物多样性的策略。
1 Energieinstitut,Johannes Kepler University,Altenberger Straße69,4040 Linz,Austria,奥地利2巴伐利亚研究联盟,Prinzregentenstraße52,80538,德国慕尼黑80538; rumohr@bayfor.org 3慕尼黑技术大学机械工程系,玻尔茨曼斯特拉斯特(Boltzmannstraße)15,85748德国Garching; Sebastian.fendt@tum.de 4机械工程系,加拿大QC G1V 0A6的Qu bec Universitial Engineering系; louis.gosselin@gmc.ulaval.ca 5能源部,坎皮纳斯大学坎皮纳斯大学机械工程学院,巴西Campinas CP 6122; gilberto@iei-brasil.org或jannuzzi@fem.unicamp.br(g.m.j。); stellamssousa@gmail.com(S.M.S.S.)6国际能源倡议,AV。 JoséRochabomfim 214,Campinas CEP:13080-900,巴西; rodolfo@iei-brasil.org 7 Greencape,南非Roeland Street,开普敦8001,南非; reshmi@green-cape.co.za *通信:goers@energieinstitut-linz.at6国际能源倡议,AV。JoséRochabomfim 214,Campinas CEP:13080-900,巴西; rodolfo@iei-brasil.org 7 Greencape,南非Roeland Street,开普敦8001,南非; reshmi@green-cape.co.za *通信:goers@energieinstitut-linz.at