Effect of Mix Proportions on Rheological and Hardened Properties of Composite Cement Pastes
Notice bibliographique
Résumé
There is an increasing need to identify the effect of mix composition on the rheological properties of composite cement pastes using simple tests to determine the fluidity, the cohesion and other mechanical properties of grouting applications such as compressive strength. This paper reviews statistical models developed using a fractional factorial design which was carried out to model the influence of key parameters on properties affecting the performance of composite cement paste. Such responses of fluidity included mini-slump, flow time using Marsh cone and cohesion measured by Lombardi plate meter and unit weight, and compressive strength at 3 d, 7 d and 28 d. The models are valid for mixes with 0.35 to 0.42 water-to-binder ratio (W/B), 10% to 40% of pulverised fuel ash (PFA) as replacement of cement by mass, 0.02 to 0.06% of viscosity enhancer admixture (VEA), by mass of binder, and 0.3 to 1.2% of superplasticizer (SP), by mass of binder. The derived models that enable the identification of underlying primary factors and their interactions that influence the modelled responses of composite cement paste are presented. Such parameters can be useful to reduce the test protocol needed for proportioning of composite cement paste. This paper attempts also to demonstrate the usefulness of the models to better understand trade-offs between parameters and compare the responses obtained from the various test methods which are highlighted. The multi parametric optimization is used in order to establish isoresponses for a desirability function of cement composite paste. Results indicate that the replacement of cement by PFA is compromising the early compressive strength and up 26%, the desirability function decreased.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».