Before using concrete for a particular purpose, its strength must be determined because its physical properties vary depending on the type of supplementary cementitious material (SCMs). Initially, researchers anticipated it with statistical processes; more recently, they started implementing deep learning (DL) and machine learning (ML) models. This research employed ensemble machine learning (EML) approaches to predict the compressive strength (CS) of concrete developed for ground-granulated blast furnace slag (GGBFS) along with Alccofine 1203 (AF). Ensemble regressions of Random Forest Regression (RFR) and AdaBoost Regression (ABR) were considered for model prediction using the Jupyter Notebook. The models were created based on the outcome of the compressive strength under the 90 experimental conditions. Moreover, a comparative study was performed between the RFR and ABR to benchmark the proposed model against a given combination of features and CS. The experimental conditions were optimized using a genetic algorithm (GA) after the model was created by ANN. With the two EML algorithms, the smallest errors, along with the largest coefficient of determination, were observed in the RFR algorithm. It was recognized that the optimized value of CS is 48.606 MPa, and their optimized process elements such as cement, alccofine, GGBS, water, and days were 261.506 kg/m3, 0.055 kg/m3, 52.468 kg/m3, 141.007 L, and 27.999 days, respectively.

The stability of Wireless Sensor Networks (WSNs) is a crucial requirement in real-time applications such as military, defense, and other surveillance systems. Clustering in WSNs is one of the most predominant techniques, offering benefits such as minimizing communication time, optimizing energy utilization, lengthening the network lifespan, and ensuring network stability. Moreover, achieving the balance between energy consumption and maintaining network stability is significantly influenced by the cluster size. This research paper addresses the challenges associated with clustered-based routing and cluster formation paradigm, introducing a novel algorithm employing the principle of Artificial Neural Networks (ANN). In particular, the proposed algorithm integrates a hybrid strategy of Self Organizing Map (SOM) and K-mean clustering to form energy-efficient clusters, even ensuring the energy distribution evenly among them. The validity of the proposed algorithm has been confirmed through experimental analysis conducted using MATLAB. The simulation results demonstrate that the hybrid combination of SOM and K-means clustering is highly efficient in minimizing energy consumption and maintaining network stability. The findings also reveal an average of 80% stable network lifetime and achieve a packet reception ratio (PRR) of 98% which is much higher than two other protocols i.e. LEACH and MODLEACH protocols.

Cardiovascular diseases (CD), or heart diseases (HD), lead to approximately 17.9 million deaths each year, constituting 32% of global fatalities. Early detection and appropriate treatment of HDs can significantly reduce mortality rates, with timely intervention before disease progression enhancing treatment efficacy. Early detection is achievable through routine medical examinations and monitoring key symptoms, such as cholesterol levels, blood pressure variations, diabetes and obesity. This manuscript introduces a heart disease prediction (HDP) model designed to identify the presence of HDs at an initial stage. The study explores three methodologies: (a) traditional convolutional neural network (CNN), (b) CNN augmented with flower pollination optimization (FPO) algorithm and (c) CNN combining Teaching Learning-Based Optimization (TLBO) coupled with genetic algorithm (GA) for refined HDP. The model progresses through stages of data preparation, model construction, training and evaluation. The traditional CNN model resulted an accuracy of 81.97%, precision of 84%, recall of 81% and F1-score of 83%. Incorporating the FPO algorithm, model's performance is enhanced with accuracy, precision, recall, F1-score of 85.25%, 90%, 81% and 85%, respectively. Further, optimized with TLBO and GA hybrid approach lead to superior performance with an accuracy, precision, recall, F1-score of 86.9%, 87.5%, 87.5% and 87.5%, respectively. The area under curve (AUC) for the receiver operating characteristics (ROC) and precision–recall curve (PRC) highlights the performance of the proposed hybrid methodology. These outcomes underscore the effectiveness of merging bio-inspired algorithms with CNN for early stage HD prediction (HDP), offering significant advancements in healthcare diagnostics.

In the advancing age of technology, the use of aluminium alloys has increased in the automotive and various mechanically challenging sectors due to corrosion resistance, lightness, non-toxicity, good thermal conductivity with good strength are very important requirements. Effects such as solidification cracking, distortion and shrinkage arise due to the conventional fusion welding of aluminium alloys. Tailored welding methods such as Friction Stir welding (FSW) have proven to be very effective and cost saving for welding aluminium alloys. But optimal formability parameters and conditions for various cases and combinations of materials are still unknown and the effects of temperature, orientation and strain rates are yet to be determined. That brings us to the objective of the project. In the present work, dissimilar aluminium alloys (AA6061-AA8011) are friction stir welded using optimum process parameters of rotational speed 1120 RPM, traverse speed of 50 mm/min with no tilt. Specimens cut from the welded blanks are then subjected to uni-axial tension test to obtain the mechanical behaviour at different strain rates, temperatures conditions and different orientations with respect to rolling direction of sheet. Taguchi optimization method and Grey Relational Approach (GRA) is applied to determine the optimum parameters for good formability of the material. It is observed that from findings of Tensile Testing, Taguchi and GRA temperature has major impact on material properties of the weld region, with the increase in temperature material properties like elongation, yield and ultimate tensile strength. Thus, temperature plays major role in FSW AA6061 & AA8011 specimens during tensile load application.

In this study, we enhance the cooling efficiency of electronic systems, addressing the increased heat dissipation due to high-performance microprocessors. The trend of miniaturization in electronics necessitates innovative thermal management solutions. Our research focuses on a convective-radiative porous heat sink embedded with functionally graded material (FGM), designed to improve cooling for consumer electronics. Using numerical simulations and the Galerkin Method to solve thermal models, we examine the thermal properties of FGMs following linear and power-law functions. We examine the effects of the FGM's inhomogeneity index, and convective and radiative parameters, on the thermal execution of the porous heat sink. Results indicate that increasing the inhomogeneity index and enhancing convective and radiative parameters significantly improve thermal efficiency. Additionally, the temperature gradient along the FGM fin remains minimal compared to conventional fins, regardless of the parameters. To validate our findings, we compare our thermal predictions from the Galerkin Method with results from the Runge-Kutta method combined with shooting and homotopy analytical methods, showing strong agreement. This study highlights the potential of convective-radiative porous heat sinks with FGM to significantly improve thermal management in electronic systems.

This article proposes a video watermarking technique by concealing the watermark in the low frequency bands of phase using Conjugate Symmetric Sequency Complex Hadamard Transform (CS-SCHT) and Speeded Up Robust Feature (SURF). The CS-SCHT is effective in dealing with attacks such as H.264 compression, Gaussian noise, Salt and pepper noise and speckle noise. However, the watermark in CS-SCHT based video watermarking scheme is erased when rotation, scaling and translation attack is applied. So in this work CS-SCHT is combined with a Speeded Up Robust Feature (SURF) algorithm. This watermarking scheme allows correct watermarked detection even if it is distorted by scaling, rotation, shearing, illumination change and translation. Image registration has been performed on watermarked image and SURF extracted affine transform for these attacks. The affine transform is inverse transformed to reposition the watermarked video to original, before the watermark extraction. The quality of signed video is analyzed by Peak signal–to–noise ratio (PSNR) and Structural Similarity index Measure (SSIM). Simulation results prove the proposed video watermarking scheme shows superiority in the results of imperceptibility and robustness.