Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Almeida, Talita Andrade da Costa | - |
Autor(es): dc.creator | Felix, Emerson Felipe | - |
Autor(es): dc.creator | de Sousa, Carlos Manuel Andrade | - |
Autor(es): dc.creator | Pedroso, Gabriel Orquizas Mattielo | - |
Autor(es): dc.creator | Motta, Mariana Ferreira Benessiuti | - |
Autor(es): dc.creator | Prado, Lisiane Pereira | - |
Data de aceite: dc.date.accessioned | 2025-08-21T16:45:29Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T16:45:29Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2023-11-30 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3390/ma16247683 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/307525 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/307525 | - |
Descrição: dc.description | The artificial neural networks (ANNs)-based model has been used to predict the compressive strength of concrete, assisting in creating recycled aggregate concrete mixtures and reducing the environmental impact of the construction industry. Thus, the present study examines the effects of the training algorithm, topology, and activation function on the predictive accuracy of ANN when determining the compressive strength of recycled aggregate concrete. An experimental database of compressive strength with 721 samples was defined considering the literature. The database was used to train, validate, and test the ANN-based models. Altogether, 240 ANNs were trained, defined by combining three training algorithms, two activation functions, and topologies with a hidden layer containing 1–40 neurons. The ANN with a single hidden layer including 28 neurons, trained with the Levenberg–Marquardt algorithm and the hyperbolic tangent function, achieved the best level of accuracy, with a coefficient of determination equal to 0.909 and a mean absolute percentage error equal to 6.81%. Furthermore, the results show that it is crucial to avoid the use of overly complex models. Excessive neurons can lead to exceptional performance during training but poor predictive ability during testing. | - |
Descrição: dc.description | Department of Civil Engineering School of Science and Engineering São Paulo State University (UNESP) | - |
Descrição: dc.description | Department of Civil Engineering School of Science and Engineering São Paulo State University (UNESP) | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Materials | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | artificial neural networks | - |
Palavras-chave: dc.subject | compressive strength prediction | - |
Palavras-chave: dc.subject | machine learning | - |
Palavras-chave: dc.subject | recycled aggregate concrete | - |
Título: dc.title | Influence of the ANN Hyperparameters on the Forecast Accuracy of RAC’s Compressive Strength | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: