Improving the accuracy of moisture estimation of building materials with invasive sensors using machine learning
Artykuł w czasopiśmie
MNiSW
40
Lista 2024
| Status: | |
| Autorzy: | Futa Anna, Jastrzębska Magdalena |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2025 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 1 |
| Wolumen/Tom: | 3146 |
| Strony: | 1 - 7 |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 7th Central European Symposium on Thermophysics |
| Skrócona nazwa konferencji: | 7th CEST 2025 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 3 września 2025 do 5 września 2025 |
| Miasto konferencji: | Krynica Zdrój |
| Państwo konferencji: | POLSKA |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 24 listopada 2025 |
| Abstrakty: | angielski |
| The aim of this paper is to improve the accuracy of moisture estimation of building materials, especially cellular concrete with a density of 500 kg/m3, using invasive sensors and machine learning methods. Two artificial intelligence algorithms were used in the research: the support vector machine model (SVM) and the Gaussian process regression (GPR) model, as well as the traditional linear regression model, in which the important input parameter was the dielectric permittivity of the material. The results indicate that the use of methods based on machine learning significantly increases the precision of cellular concrete moisture estimation in comparison with the classical approach, which may be of significant importance in building diagnostics and assessment of the durability of structures. |
