MétaCan
Menu
Retour à la cohorte
Enregistrement W2143108415 · doi:10.1155/2011/594270

Development of a Lightweight Low-Carbon Footprint Concrete Containing Recycled Waste Materials

2011· article· en· W2143108415 sur OpenAlexaff
Sudip Talukdar, Shamsul Islam, Nemkumar Banthia

Notice bibliographique

RevueAdvances in Civil Engineering · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueInnovative concrete reinforcement materials
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésCarbon footprintAggregate (composite)Compressive strengthEnvironmental scienceNatural rubberWaste managementMaterials scienceImpact resistanceComposite materialGreenhouse gasEngineering

Résumé

récupéré en direct d'OpenAlex

Use of any recycled material helps to maintain a greener environment by keeping waste materials out of the landfills. Recycling practices also can decrease the environmental and economical impact of manufacturing the materials from virgin resources, which reduces the overall carbon footprint of industrial materials and processes. This study examined the use of waste materials such as crushed glass, ground tire rubber, and recycled aggregate in concrete. Compressive strength and elastic modulus were the primary parameters of interest. Results demonstrated that ground tire rubber introduced significant amounts of air into the mix and adversely affected the strength. The introduction of a defoamer was able to successfully remove part of the excess air from the mix, but the proportional strength improvements were not noted implying that air left in the defoamed mixture had undesirable characteristics. Freeze-thaw tests were next performed to understand the nature of air in the defoamed mixtures, and results demonstrated that this air is not helpful in resisting freeze-thaw resistance either. Overall, while lightweight, low-carbon footprint concrete materials seem possible from recycled materials, significant further optimization remains possible.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,013
Tête enseignante GPT0,210
Écart entre enseignants0,197 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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

Citations15
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in Civil EngineeringMême sujetInnovative concrete reinforcement materialsTravaux en français237 207