Resumen

Proponemos un enfoque de aprendizaje profundo para utilizar mejor la información espacial y temporal obtenida de las secuencias de imágenes del proceso de mezclado del hormigón autocompactante (HAC) para recuperar las características del HAC en términos del valor de flujo de asentamiento (SF) predicho y el tiempo de flujo del túnel V (VF). El modelo propuesto integra características de la red neuronal convolucional y de la memoria a corto plazo y se entrena para extraer características y calcular una estimación. El rendimiento del método se evalúa utilizando el conjunto de pruebas. Los resultados indican que el método propuesto podría utilizarse potencialmente para estimar automáticamente la capacidad de trabajo del CCE.

• Materias:Polímeros Campos electromagnéticos Hornos de cemento Poliuretanos Nanopartículas Cemento
• Subjects:Polymers Electromagnetic fields Cement kilns Polyurethanes Nanoparticles Cement
• Palabras claves:red neuronal convolucional, modelo integra características, tiempo de flujo de embudo, valor de flujo de desplome, enfoque de aprendizaje profundo, información temporal, métodos propuestos, viabilidad de scc, conjunto de pruebas, características de scc
• Keywords:convolutional neural network, model integrates features, funnel flow time, slump flow value, deep learning approach, temporal information, proposed methods, scc workability, testing set, scc characteristics