炭化カルシウムスラグ・フライアッシュ複合材料が低炭素UHPCの圧縮強度と耐食性に及ぼす影響の研究

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Demonstrates AI-driven optimization for low-carbon concrete design, offering a methodology for predicting mechanical and durability properties.

🏢実務担当者:Provides a data-driven approach to optimize UHPC mix designs for reduced carbon footprint and improved performance, applicable to precast and ready-mix concrete producers.

🏛政策担当者:Highlights potential of AI in advancing low-carbon construction materials, supporting policies for embodied carbon reduction in building codes.

改良された深層ニューラルネットワークアルゴリズムを提案し、カーバイドスラグフライアッシュ複合材料を用いた低炭素超高強度コンクリート（UHPC）の圧縮強度と耐食性を予測し、配合設計を最適化する。まず、UHPCの圧縮強度および耐食性試験データから226組のサンプルデータセットを収集し、前処理を施した。主成分分析による重み付け法を用いて入力変数に重みを割り当て、一部のデータを無作為に訓練セットおよびテストセットとして選択した。次に、重み付きクロスエントロピー損失を導入してクラス不均衡を低減し、教師あり対比学習を設計してモデルの特徴抽出能力を強化することにより、改良された深層ニューラルネットワークモデルを構築した。Matlabソフトウェアを用いてモデルを訓練し、予測結果を解析した。実証評価により、最適化された深層ニューラルネットワークアーキテクチャは、従来モデルと比較して優れた予測性能と強化されたロバスト性を示すことが実証された。具体的には、本モデルは二乗平均平方根誤差（RMSE）値において17.11%および41.04%の低減を達成し、平均絶対誤差（MAE）指標においてもそれぞれ28.35%および44.25%の対応する減少を示した。提案された計算フレームワークは、カーバイドスラグフライアッシュ複合材料で配合された超高強度コンクリート（UHPC）の力学的特性（圧縮強度）と耐久特性（耐食性）の両方に対して卓越した予測能力を示す。この進歩により、特定の強度要件に合わせた配合割合のデータ駆動型最適化が可能となり、高度なセメント系複合材料の合理的設計のための理論的基盤が確立される。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

An improved deep neural network algorithm is proposed to predict the compressive strength and corrosion resistance of low-carbon ultra-high-performance concrete (UHPC) using carbide slag fly ash composite materials, and optimize the mix design. Firstly, 226 sets of sample datasets were collected from UHPC compressive strength and corrosion resistance test data, and preprocessed. Using principal component analysis weighting method to assign weights to input variables, randomly select some data as training and testing sets. Secondly, an improved deep neural network model is constructed by introducing weighted cross entropy loss to reduce class imbalance, and supervised contrastive learning is designed to enhance the model's feature extraction capability. Use Matlab software to train the model and analyze the prediction results. Empirical evaluations demonstrate that the optimized deep neural network architecture exhibits superior predictive performance and enhanced robustness when benchmarked against its predecessor. Specifically, the model achieves a 17.11% and 41.04% reduction in root mean square error (RMSE) values, coupled with corresponding decreases of 28.35% and 44.25% in mean absolute error (MAE) metrics. The proposed computational framework demonstrates exceptional predictive capacity for both mechanical (compressive strength) and durability (corrosion resistance) properties of ultra-high-performance concrete (UHPC) formulated with carbide slag-fly ash composites. This advancement enables data-driven optimization of mixture proportions tailored to specific strength requirements, thereby establishing a theoretical foundation for rational design of advanced cementitious composites.

• openalex https://doi.org/10.65102/is20261098first seen 2026-06-17 05:08:29 · last seen 2026-06-17 07:12:14