MétaCan
Menu
Retour à la cohorte
Enregistrement W2046497074 · doi:10.1007/s40069-014-0081-4

Comparison of ASR Mitigation Methodologies

2014· article· en· W2046497074 sur OpenAlexaff
Mohammad S. Islam

Notice bibliographique

RevueInternational Journal of Concrete Structures and Materials · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueConcrete and Cement Materials Research
Établissements canadiensMcMaster University
Organismes subventionnairesNevada Department of TransportationU.S. Department of Transportation
Mots-clésFly ashPortland cementLithium (medication)Lithium nitrateMortarAlkali–silica reactionAlkali metalMaterials scienceDoseBar (unit)CementSalt (chemistry)Alkali–aggregate reactionChemistryNuclear chemistryMetallurgyComposite materialOrganic chemistryGeologyIon

Résumé

récupéré en direct d'OpenAlex

This study evaluates the dosages of Class F fly ash, lithium nitrate and their combinations to suppress the excessive expansion caused by alkali–silica reactivity (ASR). In order to serve the proposed objective, the mortar bar specimens were prepared from (1) four dosages of Class F fly ash, such as 15, 20, 25 and 30 % as a partial replacement of Portland cement, (2) up to six dosages of lithium nitrate, such as lithium-to-alkali molar ratios of 0.59, 0.74, 0.89, 1.04, 1.19 and 1.33, and (3) the combination of lithium salt (lithium-to-alkali molar ratio of 0.74) and two dosages of Class F fly ash (15 and 20 % as a partial replacement of Portland cement). Percent contribution to ASR-induced expansion due to the fly ash or lithium content, test duration and their interaction was also evaluated. The results showed that the ASR-induced expansion decreased with an increase in the admixtures in the mortar bar. However, the specimens made with the both Class F fly ash and lithium salt produced more effective mitigation approach when compared to those prepared with fly ash or lithium salt alone. The ASR-induced expansions of fly ash or lithium bearing mortar bars by the proposed models generated a good correlation with those obtained by the experimental procedures.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,361
Écart entre enseignants0,324 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Concrete Structures and MaterialsMême sujetConcrete and Cement Materials ResearchTravaux en français237 207