Empowering knowledge graphs with hybrid retrieval-augmented generation for the intelligent mix scheme of mass concrete
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
To achieve precise multi-objective mix design of dam concrete-targeting strength, durability, and crack resistance-this study proposes a Dam Concrete Mix Proportioning intelligent generation System (DCMPS) based on a Retrieval-Augmented Generation (RAG) framework. Firstly, a total of 1,723 mix proportioning records collected from 15 hydropower stations were structurally extracted using a customized data transformation tool. A knowledge graph (KG) was then constructed on the Neo4j platform, encompassing entities such as environmental conditions, material compositions, and performance indicators. Secondly, the Moka Massive Mixed Embedding (M3E) model was employed to encode the KG into a vector database, enabling accurate retrieval of relevant mix proportioning cases via cosine similarity calculation. Finally, based on a hierarchical reasoning architecture driven by prompt engineering, DCMPS retrieves relevant cases from the vector database using a semantic search mechanism. A large language model (LLM) conducts comparative analysis on the retrieved cases to generate mix design schemes tailored to specific requirements. The DCMPS’s performance was validated using a test dataset, The results demonstrate that the system outperforms the larger-parameter native LLM in overall evaluation on the test dataset, confirming that knowledge augmentation significantly enhances the performance of smaller models. Case studies indicate that the recommended mix designs closely align with the target performance requirements, and the comparison of relevant cases along with the analysis of material influence mechanisms enhances the interpretability of the results. This DCMPS provides effective technical support for intelligent analysis and engineering decision-making in concrete mix proportioning.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Empowering knowledge graphs with hybrid retrieval-augmented generation for the intelligent mix scheme of mass concrete
- Date Crossref
- 01/12/2025
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Qinghai University pays non établi dans la noticeUniversité ou école supérieure
-
Tsinghua Sichuan Energy Internet Research Institute pays non établi dans la noticeUniversité ou école supérieure
-
Tsinghua University Sichuan Energy Internet Research Institute pays non établi dans la noticeUniversité ou école supérieure
-
Qinghai Meteorological Bureau pays non établi dans la noticeOrganisme public
-
Zhejiang Province Institute of Architectural Design and Research pays non établi dans la noticeStructure de recherche
-
China Three Gorges Corporation (China) pays non établi dans la noticeEntreprise
-
Ningxia Water Conservancy pays non établi dans la noticeOrganisme public
-
Henan Province Water Conservancy Survey and Design Research pays non établi dans la noticeStructure de recherche
-
School of Civil Engineering and Water Resources pays non établi dans la noticeUniversité ou école supérieure
-
Ltd. Sinohydro Engineering Bureau No.4 Co. pays non établi dans la noticeEntreprise
-
College of Architectural Engineering pays non établi dans la noticeUniversité ou école supérieure
-
China Three Gorges Construction Engineering Corporation pays non établi dans la noticeInstitution
Qinghai University, Tsinghua Sichuan Energy Internet Research Institute et Sichuan Energy Internet Research Institute — Tsinghua University, avec 9 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.